{
    "articles": [
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/07\/13\/1140343\/what-anthropics-latest-ai-discovery-does-and-doesnt-show\/",
            "title_en": "What Anthropic’s latest AI discovery does—and doesn’t—show",
            "summary_en": "This story originally appeared in The Algorithm, our weekly newsletter on AI. To get stories like this in your inbox first, sign up here . Anthropic—currently the world’s most valuable AI company, with a nearly $1 trillion valuation—has a reputation for publishing strange and heady research. It’s looking into whether AI models can feel pain , for example, and will sometimes cut off chatbot conversations if it suspects users are “abusing” the model. One niche that Anthropic spends more time and money on than other AI companies is called mechanistic interpretability, which means looking inside the complex math of an AI model to learn why it comes up with one particular output and not another. It’s complicated stuff; there are millions of data points that might contribute to any result, and w",
            "body_en": "This story originally appeared in The Algorithm, our weekly newsletter on AI. To get stories like this in your inbox first, sign up here . Anthropic—currently the world’s most valuable AI company, with a nearly $1 trillion valuation—has a reputation for publishing strange and heady research. It’s looking into whether AI models can feel pain , for example, and will sometimes cut off chatbot conversations if it suspects users are “abusing” the model. One niche that Anthropic spends more time and money on than other AI companies is called mechanistic interpretability, which means looking inside the complex math of an AI model to learn why it comes up with one particular output and not another. It’s complicated stuff; there are millions of data points that might contribute to any result, and wading through them can look more like word salad than anything useful. It’s also controversial. Describing AI models with terms borrowed from psychology and neuroscience can make their behavior seem more sophisticated than we might otherwise judge it to be. That’s why, when Anthropic announced last week that it had found a new window into its models’ “internal thoughts” as they reason through answers, there was one colleague I had to talk to. Senior editor Will Douglas Heaven, aside from having a PhD in computer science, has spent a lot of time digging into what we can say about how AI models work. I spoke with him about what we should take from Anthropic’s new (and predictably quirky) research. What did Anthropic learn here, exactly? Anthropic has been trying to understand how large language models (LLMs) work for a few years now. Anthropic isn’t the only one looking at this, but I think the company has made it part of its core mission more than most. Anthropic’s CEO, Dario Amodei, has said we won’t be able to control LLMs fully unless we learn more about how they work. So this new research is very much in that context. It goes deeper into the weird mechanisms inside LLMs than ever before. What Anthropic learned was that LLMs have a space inside them—which Anthropic calls the J-space—filled with words that don’t appear in their output but that seem to influence the way they puzzle through problems. All this was hidden until Anthropic developed a new technique to probe its model Claude, so it’s a genuine discovery. Sometimes these words keep track of where the LLM has got to in a particular task, sometimes they look more like flashes of recognition (for example, “protein” might pop up when you give an LLM only the letters of a protein sequence), and sometimes they represent a kind of internal commentary on the model’s decision-making. In my favorite example, Claude decided to cheat on a coding test when the word “panic” appeared. Anthropic also found that LLMs are able to describe and manipulate the words in this space. So somehow they seem to be making use of it. Let’s step back for a second. I don’t think of large language models as simple , but they’re also not magic. There’s a bunch of math that learns relationships between words, right? So why is it so hard to “peer” into an LLM to know what’s going on? Yeah, they’re not magic! I think the fact we don’t fully understand them plays into the mythmaking. And it’s worth noting that the whole narrative that Anthropic is leaning into here—that they’ve built this really mysterious technology, but don’t worry, because they’re also the ones to figure it out—very much fits with the company’s vibe. [See how Anthropic warned that its new models were so good at coding they posed a global cybersecurity risk, only for the US government to shut them down shortly thereafter.] So yes: LLMs are just math. And yet it’s vastly complex math. Not only are today’s LLMs made out of hundreds of billions of numbers, but running them triggers a cascade of millions and millions of calculations. I wrote last year that if you printed out even a medium-size LLM on pieces of paper, it would cover a city the size of San Francisco . It’s impossible to make sense of any of that math without specialist tools that highlight specific parts of an LLM at specific times. You need to know where to look and how to look. And building those tools requires understanding something of that complex math in the first place. You’ve written elsewhere about this concept of studying LLMs the way one might study an organism’s brain. Is it fair to use “brain-like” terms when talking about how an LLM works? I don’t love using those kinds of terms. LLMs are not brains. Talking like this is misleading because it can suggest that LLMs are capable of more human-like things than they are or that we can make assumptions about how they might behave that we shouldn’t. The whole anthropomorphization thing is also tied up with a bunch of strong ideological positions about what this technology is and what it’s going to be . But at the same time, we lack a good alternative vocabulary for talking about what these models are doing. I can understand why people reach for words like “think” and “understand” and “brain-like”—they’re convenient shorthand. Anthropic compares this new space it found inside LLMs to the space that some neuroscientists think our brains use to keep track of conscious thoughts. I asked the company how seriously we should take that comparison and it said in a statement: “Drawing these analogies was helpful to us in designing our experiments, as they allowed us to make many non-obvious experimental predictions about the J-space that turned out to be true. At the same time, it’s important to note that there are some important differences between the J-space (and language models in general) and the human brain, so we don’t mean to claim there’s a perfect correspondence.” What’s a problem in AI that this new concept of the J-space might be used to solve? Anthropic has said that monitoring the J-space could be a way to catch models doing something they shouldn’t. Because words pop up in this space that don’t appear in a model’s output, they can tell you things about its behavior that you might not have noticed otherwise—such as when it is giving biased responses or when it is weighing the pros and cons of cheating. That’s the theory, at least. I think it’s better to think of this result as one more step on the path to understanding this technology overall than as something that will be useful by itself. Read more in Will’s full story about the new research .",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/07\/thinking2.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/07\/13\/1140343\/what-anthropics-latest-ai-discovery-does-and-doesnt-show\/",
            "date": "2026-07-13",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "ما يظهره وما لا يُظهره أحدث اكتشاف للذكاء الاصطناعي لشركة Anthropic",
            "summary_ar": "ظهرت هذه القصة في الأصل في The Algorithm، رسالتنا الإخبارية الأسبوعية حول الذكاء الاصطناعي. للحصول على قصص مثل هذه في بريدك الوارد أولاً، قم بالتسجيل هنا. تتمتع شركة Anthropic - وهي حاليًا شركة الذكاء الاصطناعي الأكثر قيمة في العالم، حيث تقدر قيمتها بحوالي تريليون دولار - بسمعة طيبة في نشر الأبحاث الغريبة والمذهلة. إنها تبحث فيما إذا كانت نماذج الذكاء الاصطناعي يمكن أن تشعر بالألم، على سبيل المثال، وستقوم في بعض الأحيان بقطع محادثات روبوتات الدردشة إذا اشتبهت في أن المستخدمين \"يسيئون\" النموذج. أحد المجالات التي تنفق عليها شركة Anthropic وقتًا ومالًا أكثر من شركات الذكاء الاصطناعي الأخرى يُسمى قابلية التفسير الميكانيكي، وهو ما يعني النظر داخل الرياضيات المعقدة لنموذج الذكاء الاصطناعي لمعرفة سبب ظهوره لمخرج معين دون آخر. إنها أشياء معقدة. هناك الملايين من نقاط البيانات التي قد تساهم في أي نتيجة، و",
            "body_ar": "ظهرت هذه القصة في الأصل في The Algorithm، رسالتنا الإخبارية الأسبوعية حول الذكاء الاصطناعي. للحصول على قصص مثل هذه في بريدك الوارد أولاً، قم بالتسجيل هنا. تتمتع شركة Anthropic - وهي حاليًا شركة الذكاء الاصطناعي الأكثر قيمة في العالم، حيث تقدر قيمتها بحوالي تريليون دولار - بسمعة طيبة في نشر الأبحاث الغريبة والمذهلة. إنها تبحث فيما إذا كانت نماذج الذكاء الاصطناعي يمكن أن تشعر بالألم، على سبيل المثال، وستقوم في بعض الأحيان بقطع محادثات روبوتات الدردشة إذا اشتبهت في أن المستخدمين \"يسيئون\" النموذج. أحد المجالات التي تنفق عليها شركة Anthropic وقتًا ومالًا أكثر من شركات الذكاء الاصطناعي الأخرى يُسمى قابلية التفسير الميكانيكي، وهو ما يعني النظر داخل الرياضيات المعقدة لنموذج الذكاء الاصطناعي لمعرفة سبب ظهوره لمخرج معين دون آخر. إنها أشياء معقدة. هناك الملايين من نقاط البيانات التي قد تساهم في أي نتيجة، والخوض فيها يمكن أن يبدو أشبه بسلطة الكلمات أكثر من أي شيء مفيد. كما أنها مثيرة للجدل. إن وصف نماذج الذكاء الاصطناعي بمصطلحات مستعارة من علم النفس وعلم الأعصاب يمكن أن يجعل سلوكها يبدو أكثر تعقيدًا مما قد نحكم عليه بطريقة أخرى. ولهذا السبب، عندما أعلنت شركة أنثروبيك الأسبوع الماضي أنها وجدت نافذة جديدة على \"الأفكار الداخلية\" لنماذجها أثناء تفكيرها من خلال الإجابات، كان هناك زميل واحد كان علي أن أتحدث إليه. أمضى كبير المحررين ويل دوجلاس هيفين، إلى جانب حصوله على درجة الدكتوراه في علوم الكمبيوتر، الكثير من الوقت في البحث عما يمكننا قوله حول كيفية عمل نماذج الذكاء الاصطناعي. لقد تحدثت معه حول ما يجب أن نتعلمه من بحث الأنثروبيك الجديد (والملتوي كما هو متوقع). ماذا تعلمت الأنثروبيك هنا بالضبط؟ تحاول شركة Anthropic فهم كيفية عمل نماذج اللغة الكبيرة (LLMs) منذ بضع سنوات حتى الآن. ليست شركة Anthropic هي الشركة الوحيدة التي تنظر إلى هذا الأمر، ولكن أعتقد أن الشركة جعلته جزءًا من مهمتها الأساسية أكثر من معظم الشركات الأخرى. قال داريو أمودي، الرئيس التنفيذي لشركة Anthropic، إننا لن نكون قادرين على التحكم في LLMs بشكل كامل ما لم نتعلم المزيد عن كيفية عملها. لذا فإن هذا البحث الجديد يقع في هذا السياق إلى حد كبير. إنه يتعمق أكثر في الآليات الغريبة داخل LLMs أكثر من أي وقت مضى. ما تعلمته Anthropic هو أن طلاب ماجستير اللغة لديهم مساحة بداخلهم - والتي تسميها Anthropic مساحة J - مليئة بالكلمات التي لا تظهر في مخرجاتهم ولكن يبدو أنها تؤثر على الطريقة التي يحلون بها المشاكل. كل هذا كان مخفيًا حتى طورت شركة أنثروبيك تقنية جديدة لاستكشاف نموذجها كلود، لذا فهو اكتشاف حقيقي. في بعض الأحيان، تقوم هذه الكلمات بتتبع ما وصل إليه ماجستير في القانون في مهمة معينة، وفي بعض الأحيان تبدو أشبه بمضات من التعرف (على سبيل المثال، قد تظهر كلمة \"بروتين\" عندما تعطي ماجستير في القانون فقط أحرف تسلسل البروتين)، وفي بعض الأحيان تمثل نوعًا من التعليق الداخلي على عملية صنع القرار في النموذج. في المثال المفضل لدي، قرر كلود الغش في اختبار البرمجة عندما ظهرت كلمة \"ذعر\". وجدت Anthropic أيضًا أن LLMs قادرة على وصف الكلمات في هذا الفضاء ومعالجتها. لذلك يبدو أنهم يستفيدون منه بطريقة أو بأخرى. دعونا نتراجع لثانية واحدة. لا أعتقد أن نماذج اللغات الكبيرة بسيطة، ولكنها أيضًا ليست سحرية. هناك مجموعة من الرياضيات التي تتعلم العلاقات بين الكلمات، أليس كذلك؟ فلماذا يكون من الصعب جدًا \"النظير\" في ماجستير إدارة الأعمال لمعرفة ما يحدث؟ نعم، إنهم ليسوا سحراً! أعتقد أن حقيقة أننا لا نفهمهم تمامًا تلعب دورًا في صناعة الأساطير. ومن الجدير بالذكر أن القصة الكاملة التي تميل إليها الأنثروبيك هنا - وهي أنهم قاموا ببناء هذه التكنولوجيا الغامضة حقًا، ولكن لا تقلق، لأنهم هم أيضًا من اكتشفوا ذلك - تتناسب تمامًا مع أجواء الشركة. [انظر كيف حذرت شركة أنثروبيك من أن نماذجها الجديدة كانت جيدة جدًا في البرمجة لدرجة أنها شكلت خطرًا عالميًا على الأمن السيبراني، فقط لكي تقوم حكومة الولايات المتحدة بإغلاقها بعد ذلك بوقت قصير.] لذا نعم: ماجستير في القانون هي مجرد رياضيات. ومع ذلك فهي رياضيات معقدة إلى حد كبير. لا يقتصر الأمر على أن نماذج LLM الحالية مصنوعة من مئات المليارات من الأرقام فحسب، بل إن تشغيلها يؤدي إلى سلسلة من الملايين والملايين من الحسابات. كتبت العام الماضي أنه إذا قمت بطباعة شهادة LLM متوسطة الحجم على قطع من الورق، فإنها ستغطي مدينة بحجم سان فرانسيسكو. من المستحيل فهم أي من هذه الرياضيات بدون أدوات متخصصة تسلط الضوء على أجزاء معينة من ماجستير القانون في أوقات محددة. عليك أن تعرف أين تنظر وكيف تنظر. ويتطلب بناء هذه الأدوات فهم شيء من تلك الرياضيات المعقدة في المقام الأول. لقد كتبت في مكان آخر عن مفهوم دراسة الماجستير في القانون بالطريقة التي يمكن للمرء أن يدرس بها دماغ الكائن الحي. هل من العدل استخدام مصطلحات \"شبيهة بالعقل\" عند الحديث عن كيفية عمل ماجستير إدارة الأعمال؟ أنا لا أحب استخدام هذا النوع من المصطلحات. LLMs ليست أدمغة. إن الحديث بهذه الطريقة مضلل لأنه يمكن أن يشير إلى أن حاملي الماجستير في القانون قادرون على القيام بأشياء تشبه البشر أكثر مما هم عليه أو أنه يمكننا وضع افتراضات حول كيفية تصرفهم ولا ينبغي لنا أن نفعل ذلك. يرتبط موضوع التجسيم برمته أيضًا بمجموعة من المواقف الأيديولوجية القوية حول ماهية هذه التكنولوجيا وما ستكون عليه. لكن في الوقت نفسه، نفتقر إلى مفردات بديلة جيدة للحديث عما تفعله هذه النماذج. أستطيع أن أفهم لماذا يلجأ الناس إلى كلمات مثل \"يفكر\" و\"يفهم\" و\"يشبه الدماغ\" - فهي اختصارات مريحة. تقارن أنثروبيك هذه المساحة الجديدة التي وجدتها داخل LLMs بالمساحة التي يعتقد بعض علماء الأعصاب أن أدمغتنا تستخدمها لتتبع الأفكار الواعية. سألت الشركة عن مدى الجدية التي يجب أن نأخذ بها هذه المقارنة، فقالت في بيان: “كان رسم هذه القياسات مفيدًا لنا في تصميم تجاربنا، حيث سمح لنا بعمل العديد من التنبؤات التجريبية غير الواضحة حول الفضاء J والتي تبين أنها صحيحة. وفي الوقت نفسه، من المهم ملاحظة أن هناك بعض الاختلافات المهمة بين الفضاء J (ونماذج اللغة بشكل عام) والدماغ البشري، لذلك لا نقصد الادعاء بوجود تطابق مثالي. ما هي المشكلة في الذكاء الاصطناعي التي يمكن استخدام هذا المفهوم الجديد للمساحة J لحلها؟ قالت Anthropic إن مراقبة مساحة J يمكن أن تكون وسيلة للقبض على العارضات يفعلن شيئًا لا ينبغي لهن فعله. نظرًا لأن الكلمات تظهر في هذه المساحة ولا تظهر في مخرجات النموذج، فيمكنها أن تخبرك بأشياء عن سلوكه ربما لم تلاحظها بطريقة أخرى - مثل عندما يقدم ردودًا متحيزة أو عندما يزن إيجابيات وسلبيات الغش. هذه هي النظرية على الأقل. أعتقد أنه من الأفضل التفكير في هذه النتيجة كخطوة أخرى على طريق فهم هذه التكنولوجيا بشكل عام بدلاً من اعتبارها شيئًا مفيدًا في حد ذاته. اقرأ المزيد في قصة ويل الكاملة عن البحث الجديد",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/acrouter-picks-the-smartest-ai-model-per-task-beating-opus-only-setups-by-2-6x-on-cost",
            "title_en": "ACRouter picks the smartest AI model per task, beating Opus-only setups by 2.6x on cost",
            "summary_en": "Model routing is becoming a key component of the enterprise AI stack, dynamically sending prompts to the right AI model to optimize speed and costs. However, current frameworks mostly treat routing as a static classification problem, which severely limits their potential. A new open-source framework called Agent-as-a-Router tackles this bottleneck, treating the router as a dynamic, memory-building agent. It uses a Context-Action-Feedback (C-A-F) loop to track model successes and failures and update the behavior of the router. The researchers also released ACRouter, a concrete implementation of this paradigm. In their tests, ACRouter significantly outperformed static routers and the expensive strategy of defaulting to premium models, all without requiring teams to train massive models or wr",
            "body_en": "Model routing is becoming a key component of the enterprise AI stack, dynamically sending prompts to the right AI model to optimize speed and costs. However, current frameworks mostly treat routing as a static classification problem, which severely limits their potential. A new open-source framework called Agent-as-a-Router tackles this bottleneck, treating the router as a dynamic, memory-building agent. It uses a Context-Action-Feedback (C-A-F) loop to track model successes and failures and update the behavior of the router. The researchers also released ACRouter, a concrete implementation of this paradigm. In their tests, ACRouter significantly outperformed static routers and the expensive strategy of defaulting to premium models, all without requiring teams to train massive models or write endless heuristics. For real-world applications, this framework provides the option to replace hard-coded AI infrastructure with self-optimizing systems that can adapt to changes in user behavior and foundation models used in the enterprise AI stack. The economics of routing and the information deficit Single-model setups are useful for experiments but detrimental when scaling AI applications. AI engineers use model routing to map tasks to cheaper and faster open models when possible, while reserving expensive frontier models for complex reasoning. Currently, developers rely on two main mechanisms for this task. The first is heuristics-based routing, which relies on hard-coded manual rules. For example, a developer might write a rule dictating that if a prompt contains certain keywords, it is routed to GPT-5.5. Otherwise, it goes to a self-hosted open source model like Kimi K2.7. The second mechanism is static trained policies. These are machine learning classifiers trained on historical datasets that look at the prompt's embeddings and predict the best model based on past training data. Both approaches are static. When the researchers tested these existing mechanisms on real-world coding and agentic workflows, they found a hard ceiling on accuracy. The key finding shows that static routers suffer from a severe information deficit. Because they only evaluate the input text and never see if the model actually succeeded in executing the task, they guess blindly when faced with complex edge cases. This results in three distinct points of failure. First, static routers suffer from a frozen information state, meaning they cannot accumulate new execution feedback during deployment. Second, they fail in out-of-distribution (OOD) generalization. They break down during day-two operations when enterprise data or user behavior shifts because their training data no longer matches reality. Finally, they are highly vulnerable to model churn. A static classifier trained on today's models may become obsolete when a better model drops the following week. Agent-as-a-Router: A self-evolving system The core thesis of the Agent-as-a-Router is that a truly effective router must acquire and accumulate execution-grounded information during deployment, essentially learning on the job. The researchers achieved this through the C-A-F loop. When a new prompt arrives, the router examines the prompt and task metadata, such as the programming language or difficulty. It then searches its historical memory for similar tasks to see which models succeeded or failed in the past. The router uses this context to select the target model and execute the task. Finally, the system observes the real-world outcome, extracts a success or failure signal, and writes this feedback back into its memory to inform future routing decisions. Consider an automated enterprise data analytics pipeline. The router receives a SQL generation task and sends it to an open-source model like Kimi. The model hallucinates a column name and fails to compile the SQL. The C-A-F loop observes the compiler error, registers it as feedback, and logs it. The next time a similar obscure SQL query arrives, the router checks its context and routes the task to a more advanced model like Claude Opus 4.8. ACRouter The researchers developed ACRouter as the concrete instantiation of this framework. It is composed of three core components: the Orchestrator, the Verifier, and Memory. This architecture is supported by a tool layer to physically execute the C-A-F loop. The Memory module powers the context phase. Built on a vector store, it retrieves relevant past interactions and updates the historical database with new outcomes. The Orchestrator handles the action phase. It processes the user prompt alongside the retrieved memory to select the most capable target model from the available pool. The Verifier manages the feedback phase by evaluating the chosen model's output to generate a clear success or failure signal. The tool layer hooks the Verifier into real-world execution environments, like a Python code interpreter, an agentic sandbox, or a database engine. The tool layer allows the system to execute the generated code or query and observe the exact outcome, providing the verifiable signal the router needs to learn. The Orchestrator itself is lightweight. Instead of a massive, computationally heavy large language model, the researchers trained a sub-billion parameter adapter based on Qwen 3.5 (0.8B parameters), which means it can be self-hosted on a device of your choice. ACRouter in action: Outperforming the frontier baselines To stress-test the framework, the researchers introduced CodeRouterBench, an evaluation environment comprising roughly 10,000 tasks with verified scores across eight frontier models, including Claude Opus 4.6, GPT-5.4, Qwen3-Max, and GLM-5. The evaluation was split between in-distribution (ID) tests (covering nine single-turn coding dimensions like algorithm design and test generation) and an out-of-distribution (OOD) agentic programming testbed. The OOD tasks were qualitatively different, requiring multi-step planning, file navigation, and iterative debugging to see if the router could adapt to fundamentally new domains. The baseline results revealed why a single-model strategy is flawed: no single model dominates every category. For example, while Claude Opus 4.6 achieved the highest average performance, it was outperformed in algorithm design by GLM-5 (an 86% relative improvement) and in test generation by Qwen3-Max (a 111% improvement), despite Opus costing roughly 12 times as much as smaller models like Kimi-K2.5. In the benchmarks, static routers continuously failed by sending a specific niche coding task to a model ill-equipped for that exact syntax. The static router had no way to know the code was failing to execute. In contrast, ACRouter adjusted its strategy after receiving negative feedback signal from the execution environment. According to the researchers' benchmarking, ACRouter sits firmly at the Pareto frontier of cost and performance. On both the ID task streams and the complex OOD agentic tests, ACRouter achieved the lowest cumulative regret, a metric measuring sub-optimal routing decisions over time. On the in-distribution test set, ACRouter cost $13.21 across the full task run, compared to $34.02 for always defaulting to Opus — a 2.6x savings. It dynamically matched tasks to the most capable model for that specific niche, suggesting that enterprises can achieve or exceed frontier-level accuracy across diverse workloads without paying a premium price for every query. Caveats, limitations, and how to get started While the Agent-as-a-Router paradigm solves the information deficit, it is not a blanket solution for all AI workflows. The framework shines in verifiable tasks where the Verifier gets a clear success or failure signal from the environment, such as coding or data retrieval. It is effective for applications with distribution shifts and domains where different models excel in completely distinct niches. Conversely, the setup is overkill for trivial tasks where any model will suffice, or for low-volume applications that do not justify the engineering overhead. It is also unsuitable for subjective domains, such as creative writing, where a correct answer cannot be easily verified and feedback signals are impossible to standardize. The researchers open-sourced the code on GitHub and released the orchestrator model weights on Hugging Face under the Apache 2.0 license. The router is compatible with Claude Code, Codex, and OpenCode.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/2mh30Nqtt7uW4PBRmMyA01\/117641a26656420dad770ac3b0e0eb14\/model_routing.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/acrouter-picks-the-smartest-ai-model-per-task-beating-opus-only-setups-by-2-6x-on-cost",
            "date": "2026-07-13",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يختار ACRouter أذكى نموذج للذكاء الاصطناعي لكل مهمة، متفوقًا على إعدادات Opus فقط بمقدار 2.6x من حيث التكلفة",
            "summary_ar": "أصبح توجيه النموذج مكونًا رئيسيًا في حزمة الذكاء الاصطناعي للمؤسسة، حيث يرسل المطالبات ديناميكيًا إلى نموذج الذكاء الاصطناعي الصحيح لتحسين السرعة والتكاليف. ومع ذلك، تتعامل الأطر الحالية في الغالب مع التوجيه باعتباره مشكلة تصنيف ثابتة، مما يحد بشدة من إمكاناتها. يعالج إطار عمل جديد مفتوح المصدر يسمى Agent-as-Router هذا الاختناق، حيث يتعامل مع جهاز التوجيه باعتباره وكيلًا ديناميكيًا لبناء الذاكرة. ويستخدم حلقة ردود الفعل السياقية (C-A-F) لتتبع نجاحات النموذج وإخفاقاته وتحديث سلوك جهاز التوجيه. أصدر الباحثون أيضًا ACRouter، وهو تطبيق ملموس لهذا النموذج. في اختباراتهم، تفوق ACRouter بشكل كبير على أجهزة التوجيه الثابتة والاستراتيجية الباهظة الثمن المتمثلة في استخدام النماذج المتميزة، كل ذلك دون الحاجة إلى تدريب فرق ضخمة أو WR",
            "body_ar": "أصبح توجيه النموذج مكونًا رئيسيًا في حزمة الذكاء الاصطناعي للمؤسسة، حيث يرسل المطالبات ديناميكيًا إلى نموذج الذكاء الاصطناعي الصحيح لتحسين السرعة والتكاليف. ومع ذلك، تتعامل الأطر الحالية في الغالب مع التوجيه باعتباره مشكلة تصنيف ثابتة، مما يحد بشدة من إمكاناتها. يعالج إطار عمل جديد مفتوح المصدر يسمى Agent-as-Router هذا الاختناق، حيث يتعامل مع جهاز التوجيه باعتباره وكيلًا ديناميكيًا لبناء الذاكرة. ويستخدم حلقة ردود الفعل السياقية (C-A-F) لتتبع نجاحات النموذج وإخفاقاته وتحديث سلوك جهاز التوجيه. أصدر الباحثون أيضًا ACRouter، وهو تطبيق ملموس لهذا النموذج. في اختباراتهم، تفوق ACRouter بشكل كبير على أجهزة التوجيه الثابتة والاستراتيجية الباهظة الثمن المتمثلة في التخلف عن استخدام النماذج المتميزة، كل ذلك دون الحاجة إلى تدريب الفرق على نماذج ضخمة أو كتابة استدلالات لا نهاية لها. بالنسبة لتطبيقات العالم الحقيقي، يوفر إطار العمل هذا خيارًا لاستبدال البنية التحتية للذكاء الاصطناعي ذات الترميز الثابت بأنظمة التحسين الذاتي التي يمكنها التكيف مع التغييرات في سلوك المستخدم والنماذج الأساسية المستخدمة في حزمة الذكاء الاصطناعي للمؤسسة. اقتصاديات التوجيه ونقص المعلومات تعد إعدادات النموذج الفردي مفيدة للتجارب ولكنها ضارة عند توسيع نطاق تطبيقات الذكاء الاصطناعي. يستخدم مهندسو الذكاء الاصطناعي توجيه النماذج لتعيين المهام لنماذج مفتوحة أرخص وأسرع عندما يكون ذلك ممكنًا، مع الاحتفاظ بالنماذج الحدودية باهظة الثمن للاستدلال المعقد. يعتمد المطورون حاليًا على آليتين رئيسيتين لهذه المهمة. الأول هو التوجيه القائم على الاستدلال، والذي يعتمد على قواعد يدوية مشفرة. على سبيل المثال، قد يكتب أحد المطورين قاعدة تنص على أنه إذا كانت المطالبة تحتوي على كلمات رئيسية معينة، فسيتم توجيهها إلى GPT-5.5. بخلاف ذلك، فإنه ينتقل إلى نموذج مفتوح المصدر مستضاف ذاتيًا مثل Kimi K2.7. الآلية الثانية هي السياسات المدربة الثابتة. هذه هي مصنفات التعلم الآلي التي تم تدريبها على مجموعات البيانات التاريخية التي تنظر إلى تضمينات الموجه وتتنبأ بأفضل نموذج بناءً على بيانات التدريب السابقة. كلا النهجين ثابتان. عندما اختبر الباحثون هذه الآليات الموجودة على البرمجة الواقعية وسير العمل الوكيل، وجدوا سقفًا صعبًا للدقة. تظهر النتيجة الرئيسية أن أجهزة التوجيه الثابتة تعاني من نقص حاد في المعلومات. نظرًا لأنهم يقومون فقط بتقييم نص الإدخال ولا يرون أبدًا ما إذا كان النموذج قد نجح بالفعل في تنفيذ المهمة، فإنهم يخمنون بشكل أعمى عند مواجهة حالات الحافة المعقدة. وهذا يؤدي إلى ثلاث نقاط متميزة من الفشل. أولاً، تعاني أجهزة التوجيه الثابتة من حالة معلومات متجمدة، مما يعني أنها لا تستطيع تجميع تعليقات تنفيذ جديدة أثناء النشر. ثانيًا، فشلوا في تعميم خارج التوزيع (OOD). وهي تتعطل خلال عمليات اليوم الثاني عندما تتغير بيانات المؤسسة أو يتغير سلوك المستخدم لأن بيانات التدريب الخاصة بهم لم تعد تتطابق مع الواقع. وأخيرًا، فهم معرضون بشدة لتقلبات النماذج. قد يصبح المصنف الثابت الذي تم تدريبه على نماذج اليوم قديمًا عندما يسقط نموذج أفضل في الأسبوع التالي. الوكيل كجهاز توجيه: نظام ذاتي التطور الأطروحة الأساسية للوكيل كجهاز توجيه هي أن جهاز التوجيه الفعال حقًا يجب أن يكتسب ويجمع المعلومات القائمة على التنفيذ أثناء النشر، ويتعلم بشكل أساسي أثناء العمل. وقد حقق الباحثون ذلك من خلال حلقة C-A-F. عند وصول مطالبة جديدة، يقوم جهاز التوجيه بفحص بيانات التعريف الخاصة بالموجه والمهمة، مثل لغة البرمجة أو مستوى الصعوبة. ثم يقوم بالبحث في ذاكرته التاريخية عن مهام مماثلة لمعرفة النماذج التي نجحت أو فشلت في الماضي. يستخدم جهاز التوجيه هذا السياق لتحديد النموذج المستهدف وتنفيذ المهمة. وأخيرًا، يراقب النظام النتيجة الواقعية، ويستخرج إشارة النجاح أو الفشل، ويكتب هذه الملاحظات مرة أخرى في ذاكرته لاتخاذ قرارات التوجيه المستقبلية. فكر في خط أنابيب تحليل بيانات المؤسسة الآلي. يتلقى جهاز التوجيه مهمة إنشاء SQL ويرسلها إلى نموذج مفتوح المصدر مثل Kimi. يهلوس النموذج اسم عمود ويفشل في ترجمة SQL. تراقب حلقة C-A-F خطأ المترجم، وتسجله كملاحظات، وتسجله. في المرة التالية التي يصل فيها استعلام SQL غامض مماثل، يتحقق جهاز التوجيه من سياقه ويوجه المهمة إلى نموذج أكثر تقدمًا مثل Claude Opus 4.8. ACRouter قام الباحثون بتطوير ACRouter كتجسيد ملموس لهذا الإطار. وهو يتألف من ثلاثة مكونات أساسية: المنسق، والمتحقق، والذاكرة. هذه البنية مدعومة بطبقة أداة لتنفيذ حلقة C-A-F فعليًا. تعمل وحدة الذاكرة على تشغيل مرحلة السياق. نظرًا لأنه مبني على مخزن متجه، فإنه يسترد التفاعلات السابقة ذات الصلة ويحدث قاعدة البيانات التاريخية بنتائج جديدة. يتولى المنسق مرحلة العمل. يقوم بمعالجة مطالبة المستخدم جنبًا إلى جنب مع الذاكرة المستردة لتحديد النموذج المستهدف الأكثر قدرة من المجموعة المتوفرة. يقوم جهاز التحقق بإدارة مرحلة التغذية الراجعة من خلال تقييم مخرجات النموذج المختار لتوليد إشارة واضحة للنجاح أو الفشل. تعمل طبقة الأداة على ربط أداة التحقق ببيئات التنفيذ الواقعية، مثل مترجم كود Python، أو صندوق الحماية الوكيل، أو محرك قاعدة البيانات. تسمح طبقة الأداة للنظام بتنفيذ التعليمات البرمجية أو الاستعلام الذي تم إنشاؤه ومراقبة النتيجة الدقيقة، مما يوفر الإشارة التي يمكن التحقق منها والتي يحتاج جهاز التوجيه إلى تعلمها. الأوركسترا نفسها خفيفة الوزن. بدلاً من نموذج لغة كبير ضخم وثقيل حسابيًا، قام الباحثون بتدريب محول معلمات بقيمة أقل من مليار بناءً على Qwen 3.5 (0.8B معلمات)، مما يعني أنه يمكن استضافته ذاتيًا على جهاز من اختيارك. ACRouter في العمل: التفوق على الخطوط الأساسية الحدودية لاختبار التحمل لإطار العمل، قدم الباحثون CodeRouterBench، وهي بيئة تقييم تضم ما يقرب من 10000 مهمة مع درجات تم التحقق منها عبر ثمانية نماذج حدودية، بما في ذلك Claude Opus 4.6، وGPT-5.4، وQwen3-Max، وGLM-5. تم تقسيم التقييم بين اختبارات التوزيع (ID) (التي تغطي تسعة أبعاد ترميز أحادية المنعطف مثل تصميم الخوارزمية وتوليد الاختبار) واختبار البرمجة الوكلاءية خارج التوزيع (OOD). كانت مهام OOD مختلفة نوعيًا، وتتطلب تخطيطًا متعدد الخطوات، والتنقل في الملفات، وتصحيح الأخطاء التكراري لمعرفة ما إذا كان جهاز التوجيه يمكنه التكيف مع المجالات الجديدة بشكل أساسي. كشفت النتائج الأساسية عن سبب وجود خلل في استراتيجية النموذج الواحد: لا يوجد نموذج واحد يهيمن على كل فئة. على سبيل المثال، في حين حقق كلود أوبوس 4.6 أعلى متوسط ​​أداء، فقد تفوق عليه في تصميم الخوارزميات بواسطة GLM-5 (تحسن نسبي بنسبة 86%) وفي توليد الاختبار بواسطة Qwen3-Max (تحسن بنسبة 111%)، على الرغم من أن تكلفة Opus كانت تعادل 12 ضعف تكلفة النماذج الأصغر مثل Kimi-K2.5. في الاختبارات المرجعية، فشلت أجهزة التوجيه الثابتة بشكل مستمر عن طريق إرسال مهمة ترميز متخصصة محددة إلى نموذج غير مجهز لهذه الصيغة الدقيقة. لم يكن لدى جهاز التوجيه الثابت أي وسيلة لمعرفة فشل تنفيذ التعليمات البرمجية. في المقابل، قام ACRouter بتعديل استراتيجيته بعد تلقي إشارة ردود فعل سلبية من بيئة التنفيذ. وفقًا لمعايير الباحثين، فإن ACRouter يحتل مكانة ثابتة في حدود باريتو من حيث التكلفة والأداء. في كل من تدفقات مهام المعرف واختبارات وكيل OOD المعقدة، حقق ACRouter أدنى مستوى من الندم التراكمي، وهو مقياس لقياس قرارات التوجيه دون المستوى الأمثل بمرور الوقت. في مجموعة اختبار التوزيع، تبلغ تكلفة ACrouter 13.21 دولارًا أمريكيًا عبر تشغيل المهمة بالكامل، مقارنة بـ 34.02 دولارًا أمريكيًا للتشغيل الافتراضي دائمًا لـ Opus - وهو توفير يصل إلى 2.6x. لقد قام بمطابقة المهام ديناميكيًا مع النموذج الأكثر قدرة لهذا المجال المحدد، مما يشير إلى أن المؤسسات يمكنها تحقيق أو تجاوز الدقة على مستوى الحدود عبر أعباء العمل المتنوعة دون دفع سعر مميز لكل استعلام. المحاذير والقيود وكيفية البدء في حين أن نموذج الوكيل كجهاز توجيه يحل مشكلة نقص المعلومات، إلا أنه ليس حلاً شاملاً لجميع مسارات عمل الذكاء الاصطناعي. يتألق إطار العمل في المهام التي يمكن التحقق منها حيث يحصل المدقق على إشارة نجاح أو فشل واضحة من البيئة، مثل التشفير أو استرجاع البيانات. إنه فعال للتطبيقات ذات تحولات التوزيع والمجالات حيث تتفوق النماذج المختلفة في مجالات متميزة تمامًا. على العكس من ذلك، فإن الإعداد مبالغ فيه بالنسبة للمهام التافهة حيث يكون أي نموذج كافيا، أو للتطبيقات ذات الحجم المنخفض التي لا تبرر النفقات الهندسية الإضافية. كما أنه غير مناسب للمجالات الشخصية، مثل الكتابة الإبداعية، حيث لا يمكن التحقق من الإجابة الصحيحة بسهولة ويستحيل توحيد إشارات التعليقات. قام الباحثون بفتح الكود على GitHub وأصدروا أوزان نموذج المنسق على Hugging Face بموجب ترخيص Apache 2.0. جهاز التوجيه متوافق مع Claude Code و Codex و كود مفتوح.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/infrastructure\/the-desktop-infrastructure-problem-that-kubernetes-finally-solves",
            "title_en": "The desktop infrastructure problem that kubernetes finally solves",
            "summary_en": "Presented by Kasm Technologies Enterprise infrastructure teams have spent the better part of a decade pushing workloads into Kubernetes. Applications, APIs, batch jobs, data pipelines — if it runs in a container, it belongs in the cluster. The operational benefits are well-established: declarative configuration, horizontal scaling, self-healing, native integration with CI\/CD pipelines and observability tooling. Kubernetes has become the default operating model for production workloads. Except for desktops. Secure desktop and application delivery — the kind that enterprises depend on for remote work, privileged access, and regulated-industry workflows — has remained stubbornly outside the Kubernetes model. Legacy virtual desktop infrastructure was built in a different era, for a different s",
            "body_en": "Presented by Kasm Technologies Enterprise infrastructure teams have spent the better part of a decade pushing workloads into Kubernetes. Applications, APIs, batch jobs, data pipelines — if it runs in a container, it belongs in the cluster. The operational benefits are well-established: declarative configuration, horizontal scaling, self-healing, native integration with CI\/CD pipelines and observability tooling. Kubernetes has become the default operating model for production workloads. Except for desktops. Secure desktop and application delivery — the kind that enterprises depend on for remote work, privileged access, and regulated-industry workflows — has remained stubbornly outside the Kubernetes model. Legacy virtual desktop infrastructure was built in a different era, for a different set of assumptions: pre-allocated VM pools, bespoke management planes, proprietary appliances, and operational tooling that has nothing to do with how modern platform teams work. The result is a split infrastructure reality: a modern, cloud-native application layer on one side, and a manually managed, operationally isolated desktop layer on the other. That split is expensive. It means different tooling, different scaling behaviors, different observability approaches, and different operational runbooks. Platform engineers who are proficient in Kubernetes still have to context-switch into an entirely different mental model the moment a desktop infrastructure problem arises. The more fundamental issue is that this split is unnecessary. Secure, containerized workspace delivery is a workload that Kubernetes is architecturally well-suited to run. Sessions are containers. Scaling is demand-driven. Configuration should be declarative. The only thing missing was a platform built to take advantage of that alignment. Why the timing is right The appetite for Kubernetes-native workspace delivery has grown significantly as organizations mature their container platform investments. Platform teams that have spent years standardizing on Helm, GitOps workflows, and Kubernetes-native observability are increasingly unwilling to make an exception for desktop infrastructure. The question has shifted from \"can we run this on Kubernetes?\" to \"why isn't this running on Kubernetes already?\" At the same time, the security case for containerized workspace delivery has become more urgent. Browser-delivered, containerized workspaces provide session isolation that VM-based desktops cannot match — each session is ephemeral, isolated at the container boundary, and terminates cleanly without persistent state. For organizations managing sensitive data, insider risk, or third-party access scenarios, this isolation model is a meaningful security control, not just a deployment convenience. The convergence of these two trends — Kubernetes-native infrastructure expectations and containerized session security — creates a clear opportunity for platforms that can address both simultaneously. What Kubernetes-native deployment looks like A Kubernetes-native deployment uses Kubernetes as the control plane for workspace infrastructure — handling orchestration, scaling, and lifecycle management through the same declarative model used across the rest of the platform. Instead of relying on dedicated management appliances or pre-provisioned desktop pools, infrastructure is managed through the same CI\/CD, GitOps, observability, and security workflows the platform team already operates. This gives platform teams a consistent operational model rather than maintaining a separate toolset for desktop infrastructure. Kasm Workspaces, the browser-delivered workspace platform , is purpose-built to use Kubernetes as the control plane for workspace orchestration and delivery. Its deployment model is designed for real enterprise environments — not simplified demos — with production-grade Helm charts that follow Kubernetes conventions, tested upgrade paths between versions, and a standardized backend architecture validated across production deployments. An RDP Gateway component purpose-built for the Kubernetes topology enables Windows and Linux virtual machine access through the same platform. Key capabilities include: Horizontal session scaling driven by actual demand, orchestrated by Kubernetes — no pre-warmed VM pools required. Declarative configuration through Helm values, enabling GitOps and CI\/CD integration for workspace infrastructure. Namespace-level isolation and compatibility with existing RBAC policies, ingress controllers, and secrets management integrations. Metrics export for integration with Prometheus and existing observability stacks. Rolling builds by default, reducing maintenance windows and enabling more predictable version management. Real-world applications Regulated-industry remote access. A financial services organization running a Kubernetes-based application platform can deploy Kasm into the same cluster, using the same operational tooling, to deliver isolated browser and application sessions to analysts and advisors. Sessions are ephemeral, network egress is controlled, and the entire deployment is managed through the same GitOps pipeline as their application workloads. Contractor and third-party access. Organizations that regularly onboard contractors or external vendors — with the associated privileged access risk — can provision Kasm sessions on Kubernetes that scale up during engagement periods and scale back during low-demand windows. No persistent access. No VPN extension to external parties. Containerized isolation at every session boundary. AI\/ML development environments. Teams building and running AI models need GPU-enabled development environments with security controls that general-purpose cloud desktops rarely provide. Deploying Kasm on Kubernetes with NVIDIA MiG Multi-Instance GPU support lets platform teams deliver fractional GPU resources into isolated workspace sessions — giving data scientists the compute they need without shared-infrastructure security exposure. The operational shift The practical implication of a Kubernetes-native workspace platform is that platform teams can stop treating workspace infrastructure as a special case. The same engineers who deploy applications can deploy the workspace platform. The same pipelines that manage application configuration can manage workspace configuration. The same dashboards that monitor application health can monitor workspace health. That operational consolidation reduces overhead, improves consistency, and eliminates the context-switching cost that has made desktop infrastructure a persistent pain point for cloud-native organizations. For organizations still running legacy VDI alongside modern cloud infrastructure, the question is no longer whether a Kubernetes-native alternative exists. It does. The question is when to make the transition. Organizations interested in evaluating Kubernetes-native workspace delivery can explore the platform at kasm.com and try out community edition for yourself. Daniel Ben-Chitrit is the Chief Product Officer at Kasm Technologies . Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/7JJlisjb2BGkLhYAqBYnld\/d8e79d3ce1737ec2cfba1ed60f5f13e8\/AdobeStock_677829840.jpeg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/infrastructure\/the-desktop-infrastructure-problem-that-kubernetes-finally-solves",
            "date": "2026-07-13",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "مشكلة البنية التحتية لسطح المكتب التي حلها kubernetes أخيرًا",
            "summary_ar": "لقد أمضت فرق البنية التحتية المقدمة من Kasm Technologies Enterprise الجزء الأكبر من عقد من الزمن في دفع أعباء العمل إلى Kubernetes. التطبيقات، وواجهات برمجة التطبيقات، والوظائف المجمعة، وخطوط أنابيب البيانات - إذا تم تشغيلها في حاوية، فإنها تنتمي إلى المجموعة. الفوائد التشغيلية راسخة: التكوين التعريفي، والقياس الأفقي، والإصلاح الذاتي، والتكامل الأصلي مع خطوط أنابيب CI\/CD وأدوات المراقبة. أصبح Kubernetes نموذج التشغيل الافتراضي لأحمال عمل الإنتاج. باستثناء أجهزة الكمبيوتر المكتبية. لقد ظل التسليم الآمن لسطح المكتب والتطبيقات - وهو النوع الذي تعتمد عليه المؤسسات في العمل عن بعد، والوصول المميز، وسير العمل في الصناعة المنظمة - خارج نموذج Kubernetes. تم إنشاء البنية الأساسية القديمة لسطح المكتب الافتراضي في عصر مختلف، ولعصر مختلف",
            "body_ar": "لقد أمضت فرق البنية التحتية المقدمة من Kasm Technologies Enterprise الجزء الأكبر من عقد من الزمن في دفع أعباء العمل إلى Kubernetes. التطبيقات، وواجهات برمجة التطبيقات، والوظائف المجمعة، وخطوط أنابيب البيانات - إذا تم تشغيلها في حاوية، فإنها تنتمي إلى المجموعة. الفوائد التشغيلية راسخة: التكوين التعريفي، والقياس الأفقي، والإصلاح الذاتي، والتكامل الأصلي مع خطوط أنابيب CI\/CD وأدوات المراقبة. أصبح Kubernetes نموذج التشغيل الافتراضي لأحمال عمل الإنتاج. باستثناء أجهزة الكمبيوتر المكتبية. لقد ظل التسليم الآمن لسطح المكتب والتطبيقات - وهو النوع الذي تعتمد عليه المؤسسات في العمل عن بعد، والوصول المميز، وسير العمل في الصناعة المنظمة - خارج نموذج Kubernetes. تم إنشاء البنية التحتية القديمة لسطح المكتب الافتراضي في عصر مختلف، لمجموعة مختلفة من الافتراضات: مجموعات الأجهزة الافتراضية المخصصة مسبقًا، وطائرات الإدارة المخصصة، والأجهزة الخاصة، والأدوات التشغيلية التي لا علاقة لها بكيفية عمل فرق النظام الأساسي الحديثة. والنتيجة هي واقع تقسيم البنية التحتية: طبقة تطبيقات سحابية أصلية حديثة من جهة، وطبقة سطح مكتب مُدارة يدويًا ومعزولة تشغيليًا من جهة أخرى. هذا الانقسام باهظ الثمن. ويعني ذلك أدوات مختلفة، وسلوكيات قياس مختلفة، وأساليب مختلفة لقابلية الملاحظة، ودفاتر تشغيل تشغيلية مختلفة. لا يزال يتعين على مهندسي الأنظمة الأساسية الذين يتقنون Kubernetes تبديل السياق إلى نموذج عقلي مختلف تمامًا في اللحظة التي تظهر فيها مشكلة في البنية التحتية لسطح المكتب. والمسألة الأكثر جوهرية هي أن هذا الانقسام غير ضروري. يعد تسليم مساحة العمل الآمنة والمعبأة في حاوية عبء عمل يعتبر Kubernetes مناسبًا من الناحية المعمارية لتشغيله. الجلسات عبارة عن حاويات. التوسع يعتمد على الطلب. يجب أن يكون التكوين تصريحيًا. الشيء الوحيد المفقود هو النظام الأساسي المصمم للاستفادة من هذا التوافق. لماذا التوقيت مناسب لقد زادت الرغبة في تسليم مساحة عمل Kubernetes الأصلية بشكل ملحوظ مع نضوج المؤسسات لاستثماراتها في منصات الحاويات. فرق النظام الأساسي التي أمضت سنوات في توحيد معايير سير عمل Helm وGitOps وقابلية المراقبة الأصلية في Kubernetes، أصبحت غير راغبة بشكل متزايد في إجراء استثناء للبنية التحتية لسطح المكتب. لقد تحول السؤال من \"هل يمكننا تشغيل هذا على Kubernetes؟\" إلى \"لماذا لا يتم تشغيل هذا على Kubernetes بالفعل؟\" وفي الوقت نفسه، أصبحت الحالة الأمنية المتعلقة بتسليم مساحة العمل في حاويات أكثر إلحاحًا. توفر مساحات العمل المُقدمة من خلال المتصفح عزلًا للجلسة لا يمكن لأجهزة الكمبيوتر المكتبية المستندة إلى VM مطابقتها - كل جلسة سريعة الزوال، ومعزولة عند حدود الحاوية، وتنتهي بشكل نظيف بدون حالة مستمرة. بالنسبة للمؤسسات التي تدير البيانات الحساسة، أو المخاطر الداخلية، أو سيناريوهات وصول الطرف الثالث، يعد نموذج العزل هذا بمثابة تحكم أمني مفيد، وليس مجرد وسيلة راحة للنشر. إن التقارب بين هذين الاتجاهين - توقعات البنية التحتية الأصلية لـ Kubernetes وأمن الجلسة المضمنة في حاوية - يخلق فرصة واضحة للمنصات التي يمكنها معالجة كلا الاتجاهين في وقت واحد. كيف يبدو النشر الأصلي لـ Kubernetes يستخدم النشر الأصلي لـ Kubernetes Kubernetes كمستوى تحكم للبنية التحتية لمساحة العمل - يتعامل مع التنسيق والقياس وإدارة دورة الحياة من خلال نفس النموذج التعريفي المستخدم عبر بقية النظام الأساسي. بدلاً من الاعتماد على أجهزة الإدارة المخصصة أو مجموعات سطح المكتب المتوفرة مسبقًا، تتم إدارة البنية التحتية من خلال نفس CI\/CD وGitOps وقابلية المراقبة وسير العمل الأمني ​​الذي يعمل عليه فريق النظام الأساسي بالفعل. وهذا يمنح فرق النظام الأساسي نموذجًا تشغيليًا متسقًا بدلاً من الاحتفاظ بمجموعة أدوات منفصلة للبنية التحتية لسطح المكتب. تم تصميم Kasm Workspaces، منصة مساحة العمل المقدمة عبر المتصفح، خصيصًا لاستخدام Kubernetes كمستوى تحكم لتنسيق مساحة العمل وتسليمها. تم تصميم نموذج النشر الخاص به لبيئات المؤسسات الحقيقية - وليس العروض التوضيحية المبسطة - مع مخططات Helm على مستوى الإنتاج التي تتبع اصطلاحات Kubernetes، ومسارات الترقية المختبرة بين الإصدارات، وبنية خلفية موحدة تم التحقق من صحتها عبر عمليات نشر الإنتاج. يتيح مكون بوابة RDP المصمم خصيصًا لهيكل Kubernetes إمكانية الوصول إلى الأجهزة الافتراضية التي تعمل بنظامي التشغيل Windows وLinux من خلال نفس النظام الأساسي. تشمل الإمكانات الرئيسية ما يلي: تحجيم الجلسة الأفقية بناءً على الطلب الفعلي، وبتنسيق من Kubernetes - لا يلزم وجود مجموعات أجهزة افتراضية مُجهزة مسبقًا. التكوين التعريفي من خلال قيم Helm، مما يتيح تكامل GitOps وCI\/CD للبنية التحتية لمساحة العمل. العزل على مستوى مساحة الاسم والتوافق مع سياسات RBAC الحالية ووحدات التحكم في الدخول وتكاملات إدارة الأسرار. تصدير المقاييس للتكامل مع Prometheus ومكدسات إمكانية المراقبة الحالية. يتم إنشاء الإصدارات المتدرجة بشكل افتراضي، مما يقلل من فترات الصيانة ويتيح إدارة إصدار أكثر قابلية للتنبؤ بها. تطبيقات العالم الحقيقي الوصول عن بعد للصناعة المنظمة. يمكن لمؤسسة الخدمات المالية التي تقوم بتشغيل نظام أساسي للتطبيقات المستندة إلى Kubernetes نشر Kasm في نفس المجموعة، باستخدام نفس الأدوات التشغيلية، لتقديم جلسات متصفح وتطبيقات معزولة للمحللين والمستشارين. تكون الجلسات سريعة الزوال، ويتم التحكم في خروج الشبكة، وتتم إدارة النشر بالكامل من خلال نفس خط أنابيب GitOps مثل أحمال عمل التطبيقات الخاصة بهم. المقاول ووصول الطرف الثالث. يمكن للمؤسسات التي تتعاقد بشكل منتظم مع المقاولين أو البائعين الخارجيين - مع مخاطر الوصول المتميزة المرتبطة بها - توفير جلسات Kasm على Kubernetes التي يتم توسيع نطاقها خلال فترات المشاركة وتقليصها خلال فترات الطلب المنخفض. لا يوجد وصول مستمر. لا يوجد امتداد VPN لأطراف خارجية. عزل الحاويات عند حدود كل جلسة. بيئات تطوير الذكاء الاصطناعي\/تعلم الآلة. تحتاج الفرق التي تقوم ببناء نماذج الذكاء الاصطناعي وتشغيلها إلى بيئات تطوير ممكّنة لوحدة معالجة الرسومات مع عناصر تحكم أمنية نادرًا ما توفرها أجهزة سطح المكتب السحابية ذات الأغراض العامة. يتيح نشر Kasm على Kubernetes مع دعم NVIDIA MiG Multi-Instance GPU لفرق النظام الأساسي توفير موارد GPU الجزئية في جلسات مساحة عمل معزولة - مما يمنح علماء البيانات الحوسبة التي يحتاجون إليها دون التعرض لأمان البنية التحتية المشتركة. التحول التشغيلي إن الأثر العملي لمنصة مساحة العمل الأصلية في Kubernetes هو أنه يمكن لفرق النظام الأساسي التوقف عن التعامل مع البنية التحتية لمساحة العمل كحالة خاصة. يمكن لنفس المهندسين الذين يقومون بنشر التطبيقات نشر النظام الأساسي لمساحة العمل. يمكن لنفس المسارات التي تدير تكوين التطبيق إدارة تكوين مساحة العمل. يمكن لنفس لوحات المعلومات التي تراقب سلامة التطبيق مراقبة سلامة مساحة العمل. يعمل هذا الدمج التشغيلي على تقليل النفقات العامة وتحسين الاتساق ويلغي تكلفة تبديل السياق التي جعلت البنية التحتية لسطح المكتب نقطة ضعف مستمرة للمؤسسات السحابية الأصلية. بالنسبة للمؤسسات التي لا تزال تقوم بتشغيل VDI القديم إلى جانب البنية التحتية السحابية الحديثة، لم يعد السؤال هو ما إذا كان هناك بديل أصلي لـ Kubernetes. إنه كذلك. السؤال هو متى يتم الانتقال. يمكن للمنظمات المهتمة بتقييم تسليم مساحة عمل Kubernetes الأصلية استكشاف النظام الأساسي على kasm.com وتجربة إصدار المجتمع بنفسك. دانييل بن شيتريت هو المدير التنفيذي للمنتجات في شركة Kasm Technologies. المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/deepseek-cut-prices-75-the-100x-problem-remains",
            "title_en": "DeepSeek cut prices 75%. The 100x problem remains",
            "summary_en": "DeepSeek's recent decision to drastically cut pricing on its V4-Pro model by 75% should have been unequivocally good news for enterprise AI vendors and developers. Instead, many are discovering that cheaper models don’t automatically translate into healthier margins. The reason is simple: While inference costs plummet, agent systems are voraciously consuming tokens faster than prices are declining. For the last 2 decades, software economics was dictated by the same rule. Infra became cheaper every year whereas applications became more capable. AI was initially hypothesized to follow the same pattern. As frontier models improved and token prices dropped, many assumed inference would become a negligible operating expense.That assumption has begun crumbling exponentially. A chatbot usual",
            "body_en": "DeepSeek's recent decision to drastically cut pricing on its V4-Pro model by 75% should have been unequivocally good news for enterprise AI vendors and developers. Instead, many are discovering that cheaper models don’t automatically translate into healthier margins. The reason is simple: While inference costs plummet, agent systems are voraciously consuming tokens faster than prices are declining. For the last 2 decades, software economics was dictated by the same rule. Infra became cheaper every year whereas applications became more capable. AI was initially hypothesized to follow the same pattern. As frontier models improved and token prices dropped, many assumed inference would become a negligible operating expense.That assumption has begun crumbling exponentially. A chatbot usually turns one user question into one model call. An agent turns it into a chain of planning, retrieval, tool use, verification, summarization, and follow-up decisions. The user sees one answer. The vendor pays for the loop. That is the 100x problem: The same user-visible request can cost a lot more to serve as an agentic workflow than as a chatbot or retrieval-augmented generation (RAG) response. In longer-running workflows, the multiplier is higher. Falling model prices help, but they do not fix a product architecture that turns one prompt into dozens of billable operations. The scale of what is now at stake is clear in how model providers themselves are pricing developer relationships. OpenAI's proposed program to give every Y Combinator startup $2 million in API credits — a number that would have funded an entire seed round in any prior tech cycle, and when the same cohort got by on a few thousand dollars of AWS credits — is less a recruiting perk than an admission of what it now costs to run an AI-native company through its first year of product. For established enterprises retrofitting agents into existing product lines, the absolute numbers are larger still. What token amplification is In a single-turn chatbot, one user message produces roughly one model call. Input-to-billed ratio is about 1:5. In a multi-step agent rolled out across customer support, sales operations, finance, legal review, and engineering, that ratio routinely lands at 1:700 or higher . Every loop iteration carries forward the cumulative conversation, tool outputs, and reasoning traces. Each step appends; nothing is dropped. A \"simple\" agent query like “ What did our top customer ask about last week?” typically touches seven priced operations before returning an answer: User prompt (~50 tokens) System prompt and tool definitions (~3,000 tokens, repeated on every call) Retrieval (~5,000 tokens of context) Model call #1 — tool selection (8,000 in \/ 200 out) Tool execution (~4,000 tokens returned) Model call #2 — summarization (12,000 in \/ 400 out) Model call #3 — follow-up decision (12,400 in \/ 100 out) One sentence in, roughly 35,000 input tokens billed. Somewhere between $0.10 and $0.40 per query on a frontier model. Multiply that by a million queries a month — the table-stakes volume for any enterprise B2B feature — and the line item is six figures. Why this breaks the existing AI business model The dominant pricing story for enterprise AI has been seat-based SaaS : Pay per-user per-month, deliver agent capability, capture margin. That model assumes a reasonably bounded cost-per-user. Token amplification breaks the assumption. A power user running 50 agent invocations a day on a $40\/seat plan can cost more in inference than the plan charges. Token amplification shatters the traditional SaaS pricing model. When a power user’s daily agent activity costs more in inference than their monthly subscription fee, vendor gross margins turn negative, a paradox that compounds as customers deepen their agent adoption, the very usage curve vendors are selling to their boards. Several vendors are now privately reporting negative gross margins on heavy users, mirroring recent cloud expenditure reports from the Bessemer 'Supernova' cohort, where the correlation between AI-agent adoption and gross margin contraction has moved from a theoretical risk to a primary P&L headwind. The visible symptoms have started leaking into public coverage. Bloomberg this week documented a widening gap between Salesforce's Agentforce marketing demos and the capabilities actually shipping to customers. This is the kind of gap that opens predictably when promised functionality is technically possible but uneconomical to serve at the price the seat plan implies. Salesforce is the most-watched case, not a unique one. \"For my team, the cost of compute is far beyond the costs of the employees.\" — Bryan Catanzaro, VP of Applied Deep Learning, Nvidia The strategic implication is not \"AI is expensive.\" It is that the dominant business model assumed by most AI-native company plans does not survive contact with agentic workloads. A simple example Consider an enterprise software vendor charging $40 per-user per-month for an AI-enabled support assistant. A traditional chatbot might cost only a few cents per user per day in inference, leaving healthy gross margins. Now replace that chatbot with a fully agentic workflow capable of investigating tickets, querying internal systems, drafting responses, validating outputs, and escalating exceptions. If a heavy user executes 50 to 100 agent requests per day, inference consumption can increase by an order of magnitude. What was once a negligible infrastructure cost becomes a material operating expense. This creates an unusual dynamic: The customers receiving the most value from the product are often the customers generating the highest inference costs. In extreme cases, vendors can find themselves with their most engaged users contributing the least profit. The result is a growing realization across enterprise software that agent adoption and margin expansion are no longer automatically aligned. Agent orchestration is the new moat The technical responses are known and converging. They are not novel, but they are critical for survival Cost-aware routing : This technique involves a small classifier model that decides which tier (Haiku, Sonnet, Opus equivalents) handles each query. Well-tuned routers cut inference bills by around 60% without any degradation in quality Prompt caching : Anthropic , OpenAI, and Google now offer 75 to 90% discounts on cached prefixes. Context discipline : You can truncate tool outputs, prune reasoning traces, and cap tool depth to prevent your agent from going down a rabbit hole Speculative decoding : for self-hosted deployments, this technique guarantees 2 to 3X effective throughput on the same GPUs. \"Organizations using orchestration-led governance report stronger productivity gains — a holistic orchestration layer is associated with six times greater productivity impact than compliance‑only approaches\" — IBM The companies building this layer well are starting to look less like microservice operators and more like financial trading systems : Every routing decision priced, every path with its own P&L, every tenant on a metered budget. What enterprise leaders should actually do F our moves separate the companies that will still have margin in 24 months from the ones that won't: Make inference cost a first-class metric. Track it per-feature, per-tenant, per-query class the same way cloud cost was tracked starting in the mid-2010s. Budget like a media buyer. Set cost-per-thousand-queries ceilings per feature. Cap them. Alert on overruns. Engineering will not enforce this on its own. Treat the router as core infrastructure, not an optimization. It is the new load balancer. Audit prompts quarterly. A 4,000-token system prompt that grew organically over six months is a six-figure bill in slow motion. Most teams have never read their own production prompts end to end. Negotiate volume commits early. Frontier-model vendors now offer reserved-instance-style prepaid commits at substantial discounts. List price is the worst price any enterprise will ever pay. The next 24 months The structural shift underneath agentic AI is not that it is expensive. As DeepSeek's price cut today underscores, frontier inference unit costs are dropping roughly 3X per year, and the curve is not slowing. The shift is that amplification is outrunning the price cuts . Cutting per-token costs 75% does not help a company whose agents are doing 700X more tokens per user query than its pricing model assumed. For the first time since the cloud era began, architecture decisions are again financial decisions in real time. A prompt redesign is a margin event. A poorly bound agent loop is an outage with a credit card attached. The companies that survive the next 24 months of AI infrastructure pricing will not be the ones running the cheapest model. They will be the ones whose agents are smart and know what they cost to think. That is the 100X problem. And it is arriving faster than the price cuts can hide it. Maitreyi Chatterjee is a senior software engineer at a big tech company. Devansh Agarwal works as an ML engineer at a leading tech company.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/QmUB8YbWiRnClnsHXcsEG\/4cf95f77c77ebb21b0e9c2e1eec38caa\/u7277289442_A_series_of_AI_robots_in_the_vein_of_the_evolutio_72348caa-ec35-4c65-8ab2-1402ecc89f91_2.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/deepseek-cut-prices-75-the-100x-problem-remains",
            "date": "2026-07-12",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "خفضت DeepSeek الأسعار بنسبة 75٪. تبقى مشكلة 100x",
            "summary_ar": "كان قرار DeepSeek الأخير بتخفيض الأسعار بشكل كبير على طراز V4-Pro بنسبة 75٪ بمثابة أخبار جيدة بشكل لا لبس فيه لبائعي ومطوري الذكاء الاصطناعي للمؤسسات. وبدلا من ذلك، يكتشف الكثيرون أن النماذج الأرخص لا تترجم تلقائيا إلى هوامش ربح أفضل. السبب بسيط: بينما تنخفض تكاليف الاستدلال، تستهلك أنظمة الوكلاء الرموز المميزة بنهم أسرع من انخفاض الأسعار. على مدى العقدين الماضيين، تملي اقتصاديات البرمجيات نفس القاعدة. أصبحت الأشعة تحت الحمراء أرخص كل عام بينما أصبحت التطبيقات أكثر قدرة. تم الافتراض في البداية أن الذكاء الاصطناعي يتبع نفس النمط. ومع تحسن النماذج الحدودية وانخفاض أسعار العملات الرمزية، افترض كثيرون أن الاستدلال سيصبح بمثابة نفقات تشغيل لا تذكر. وقد بدأ هذا الافتراض في الانهيار بشكل كبير. روبوت الدردشة المعتاد",
            "body_ar": "كان قرار DeepSeek الأخير بتخفيض الأسعار بشكل كبير على طراز V4-Pro بنسبة 75٪ بمثابة أخبار جيدة بشكل لا لبس فيه لبائعي ومطوري الذكاء الاصطناعي للمؤسسات. وبدلا من ذلك، يكتشف الكثيرون أن النماذج الأرخص لا تترجم تلقائيا إلى هوامش ربح أفضل. السبب بسيط: بينما تنخفض تكاليف الاستدلال، تستهلك أنظمة الوكلاء الرموز المميزة بنهم أسرع من انخفاض الأسعار. على مدى العقدين الماضيين، تملي اقتصاديات البرمجيات نفس القاعدة. أصبحت الأشعة تحت الحمراء أرخص كل عام بينما أصبحت التطبيقات أكثر قدرة. تم الافتراض في البداية أن الذكاء الاصطناعي يتبع نفس النمط. ومع تحسن النماذج الحدودية وانخفاض أسعار العملات الرمزية، افترض كثيرون أن الاستدلال سيصبح بمثابة نفقات تشغيل لا تذكر. وقد بدأ هذا الافتراض في الانهيار بشكل كبير. عادةً ما يقوم برنامج الدردشة الآلي بتحويل سؤال مستخدم واحد إلى مكالمة نموذجية واحدة. يقوم الوكيل بتحويلها إلى سلسلة من قرارات التخطيط والاسترجاع واستخدام الأدوات والتحقق والتلخيص والمتابعة. يرى المستخدم إجابة واحدة. يدفع البائع ثمن الحلقة. هذه هي مشكلة 100x: يمكن أن يكلف نفس الطلب المرئي للمستخدم أكثر بكثير ليكون بمثابة سير عمل وكيل أكثر من كونه استجابة للدردشة الآلية أو توليد الاسترجاع المعزز (RAG). في سير العمل الأطول تشغيلًا، يكون المضاعف أعلى. إن انخفاض أسعار النماذج يساعد، لكنه لا يصلح بنية المنتج التي تحول موجه واحد إلى عشرات من العمليات القابلة للفوترة. إن حجم ما هو على المحك الآن واضح في كيفية تسعير مقدمي النماذج أنفسهم لعلاقات المطورين. برنامج OpenAI المقترح لمنح كل شركة ناشئة في Y Combinator مبلغ 2 مليون دولار من أرصدة واجهة برمجة التطبيقات (API) - وهو الرقم الذي كان من شأنه أن يمول جولة أولية كاملة في أي دورة تقنية سابقة، وعندما تحصل نفس المجموعة على بضعة آلاف من الدولارات من أرصدة AWS - يعد أقل من مجرد ميزة توظيف بقدر ما هو اعتراف بما يكلفه الآن تشغيل شركة ذكاء اصطناعي أصلية خلال السنة الأولى من المنتج. وبالنسبة للمؤسسات الراسخة التي تقوم بتعديل الوكلاء في خطوط الإنتاج الحالية، فإن الأرقام المطلقة لا تزال أكبر. ما هو تضخيم الرمز المميز في برنامج الدردشة الآلي ذو الدورة الواحدة، تنتج رسالة مستخدم واحدة مكالمة نموذجية واحدة تقريبًا. تبلغ نسبة الإدخال إلى الفاتورة حوالي 1:5. في الوكيل متعدد الخطوات الذي يتم طرحه عبر دعم العملاء، وعمليات المبيعات، والتمويل، والمراجعة القانونية، والهندسة، تصل هذه النسبة بشكل روتيني إلى 1:700 أو أعلى. يؤدي كل تكرار للحلقة إلى استمرار المحادثة التراكمية ومخرجات الأداة وآثار الاستدلال. كل خطوة تلحق؛ لم يتم إسقاط أي شيء. استعلام وكيل \"بسيط\" مثل \"ما الذي سأل عنه أهم عملائنا الأسبوع الماضي؟\" يلمس عادةً سبع عمليات مسعرة قبل إرجاع إجابة: موجه المستخدم (~ 50 رمزًا مميزًا) موجه النظام وتعريفات الأداة (~ 3000 رمزًا مميزًا، تتكرر في كل مكالمة) الاسترجاع (~ 5000 رمزًا مميزًا للسياق) استدعاء النموذج رقم 1 - اختيار الأداة (8000 في \/ 200 خارج) تنفيذ الأداة (~ 4000 رمز مميز يتم إرجاعه) استدعاء النموذج رقم 2 - التلخيص (12000 في \/ 400) خارج) المكالمة النموذجية رقم 3 - قرار المتابعة (12400 داخل \/ 100 خارج) جملة واحدة في، تم إصدار فاتورة بما يقرب من 35000 رمز إدخال. في مكان ما بين 0.10 دولار و0.40 دولار لكل استعلام في النموذج الحدودي. اضرب ذلك بمليون استفسار شهريًا - حجم حصص الجدول لأي ميزة B2B للمؤسسة - وسيكون البند مكونًا من ستة أرقام. لماذا يكسر هذا نموذج أعمال الذكاء الاصطناعي الحالي؟ كانت قصة التسعير السائدة للذكاء الاصطناعي المؤسسي هي SaaS القائمة على المقعد: الدفع لكل مستخدم شهريًا، وتوفير قدرة الوكيل، وهامش الربح. يفترض هذا النموذج تكلفة لكل مستخدم محدودة بشكل معقول. تضخيم الرمز يكسر الافتراض. يمكن أن يكلف المستخدم القوي الذي يقوم بإجراء 50 استدعاء وكيل يوميًا بخطة بقيمة 40 دولارًا للمقعد أكثر من رسوم الخطة. يحطم تضخيم الرمز المميز نموذج تسعير SaaS التقليدي. عندما يكلف نشاط الوكيل اليومي لمستخدم متمكن أكثر من رسوم الاشتراك الشهرية، فإن الهوامش الإجمالية للبائع تصبح سلبية، وهي مفارقة تتفاقم مع تعميق العملاء لاعتماد وكيلهم، وهو منحنى الاستخدام الذي يبيعه البائعون إلى مجالس الإدارة الخاصة بهم. يقوم العديد من البائعين الآن بالإبلاغ بشكل خاص عن هوامش إجمالية سلبية للمستخدمين الكثيفين، مما يعكس تقارير الإنفاق السحابي الأخيرة من مجموعة Bessemer \"Supernova\"، حيث انتقل الارتباط بين اعتماد وكيل الذكاء الاصطناعي وانكماش إجمالي الهامش من المخاطر النظرية إلى الرياح المعاكسة الأولية للربح والخسارة. بدأت الأعراض المرئية تتسرب إلى التغطية العامة. وثقت بلومبرج هذا الأسبوع فجوة آخذة في الاتساع بين العروض التسويقية لـ Salesforce's Agentforce والإمكانيات التي يتم شحنها فعليًا إلى العملاء. هذا هو نوع الفجوة التي تنفتح بشكل يمكن التنبؤ به عندما تكون الوظيفة الموعودة ممكنة من الناحية الفنية ولكن من غير الاقتصادي تقديمها بالسعر الذي تتضمنه خطة المقعد. Salesforce هي الحالة الأكثر مشاهدة، وليست فريدة من نوعها. \"بالنسبة لفريقي، فإن تكلفة الحوسبة تتجاوز بكثير تكاليف الموظفين.\" - بريان كاتانزارو، نائب الرئيس للتعلم العميق التطبيقي، Nvidia. إن المعنى الاستراتيجي ليس \"الذكاء الاصطناعي باهظ الثمن\". المشكلة هي أن نموذج العمل المهيمن الذي تفترضه معظم خطط الشركات المعتمدة على الذكاء الاصطناعي لا يصمد أمام أعباء عمل الوكلاء. مثال بسيط: خذ بعين الاعتبار بائع برامج المؤسسة الذي يتقاضى 40 دولارًا لكل مستخدم شهريًا مقابل مساعد دعم يدعم الذكاء الاصطناعي. قد لا يكلف برنامج الدردشة الآلي التقليدي سوى بضعة سنتات لكل مستخدم يوميًا للاستدلال، مما يترك هوامش إجمالية جيدة. استبدل الآن برنامج الدردشة الآلي هذا بسير عمل وكيل كامل قادر على التحقق من التذاكر والاستعلام عن الأنظمة الداخلية وصياغة الاستجابات والتحقق من صحة المخرجات وتصعيد الاستثناءات. إذا قام مستخدم كثيف بتنفيذ 50 إلى 100 طلب وكيل يوميًا، فيمكن أن يزيد استهلاك الاستدلال بمقدار أمر من حيث الحجم. وما كان ذات يوم تكلفة ضئيلة للبنية التحتية يصبح بمثابة نفقات تشغيل مادية. وهذا يخلق ديناميكية غير عادية: فالعملاء الذين يحصلون على أكبر قيمة من المنتج هم في الغالب العملاء الذين يولدون أعلى تكاليف الاستدلال. في الحالات القصوى، يمكن أن يجد البائعون أنفسهم مع المستخدمين الأكثر تفاعلاً الذين يساهمون بأقل قدر من الربح. والنتيجة هي إدراك متزايد عبر برامج المؤسسة بأن اعتماد الوكيل وتوسيع الهامش لم يعدا متوافقين تلقائيًا. تنسيق الوكيل هو الخندق الجديد، والاستجابات الفنية معروفة ومتقاربة. إنها ليست جديدة، ولكنها ضرورية للبقاء. التوجيه المدرك للتكلفة: تتضمن هذه التقنية نموذج مصنف صغير يقرر الطبقة (مكافئات Haiku وSonnet وOpus) التي تتعامل مع كل استعلام. تعمل أجهزة التوجيه المضبوطة جيدًا على خفض فواتير الاستدلال بحوالي 60% دون أي تدهور في الجودة. التخزين المؤقت السريع: تقدم الآن Anthropic وOpenAI وGoogle خصومات بنسبة 75 إلى 90% على البادئات المخزنة مؤقتًا. انضباط السياق: يمكنك اقتطاع مخرجات الأداة، وتقليص آثار الاستدلال، وتغطية عمق الأداة لمنع وكيلك من الوقوع في حفرة الأرانب. فك التشفير التخميني: بالنسبة لعمليات النشر المستضافة ذاتيًا، تضمن هذه التقنية إنتاجية فعالة تتراوح من 2 إلى 3X على نفس وحدات معالجة الرسومات. \"المؤسسات التي تستخدم الحوكمة القائمة على التنسيق تحقق مكاسب إنتاجية أقوى - ترتبط طبقة التنسيق الشاملة بتأثير إنتاجي أكبر بستة أضعاف من مناهج الامتثال فقط\" - IBM بدأت الشركات التي تبني هذه الطبقة بشكل جيد تبدو أقل شبهاً بمشغلي الخدمات الصغيرة وأكثر شبهاً بأنظمة التداول المالي: يتم تسعير كل قرار توجيه، وكل مسار له أرباح وخسائر خاصة به، وكل مستأجر بميزانية محددة. ما الذي يجب على قادة المؤسسات فعله فعليًا؟ إن تحركاتنا تفصل بين الشركات التي سيظل لديها هامش ربح خلال 24 شهرًا وتلك التي لن تفعل ذلك: جعل تكلفة الاستدلال مقياسًا من الدرجة الأولى. قم بتتبعها لكل ميزة، ولكل مستأجر، وفئة لكل استعلام بنفس الطريقة التي تم بها تتبع تكلفة السحابة بدءًا من منتصف عام 2010. الميزانية مثل مشتري وسائل الإعلام. قم بتعيين حدود التكلفة لكل ألف استعلام لكل ميزة. كاب لهم. التنبيه على التجاوزات. الهندسة لن تنفذ هذا من تلقاء نفسها. تعامل مع جهاز التوجيه باعتباره بنية أساسية أساسية، وليس بمثابة تحسين. إنه موازن التحميل الجديد. مطالبات التدقيق ربع سنوي. إن مطالبة النظام المكونة من 4000 رمز والتي نمت بشكل عضوي على مدى ستة أشهر هي عبارة عن فاتورة مكونة من ستة أرقام بالحركة البطيئة. لم تقرأ معظم الفرق أبدًا مطالبات الإنتاج الخاصة بها من البداية إلى النهاية. حجم التفاوض يلتزم في وقت مبكر. يقدم بائعو الطراز Frontier الآن التزامات مدفوعة مسبقًا بنمط المثيل المحجوز بخصومات كبيرة. قائمة الأسعار هي أسوأ سعر ستدفعه أي مؤسسة على الإطلاق. الأشهر الـ 24 المقبلة إن التحول الهيكلي في ظل الذكاء الاصطناعي الوكيل لا يعني أنه مكلف. وكما يؤكد خفض أسعار DeepSeek اليوم، فإن تكاليف وحدة الاستدلال الحدودية تنخفض بنحو 3 أضعاف سنويًا، ولا يتباطأ المنحنى. والتحول هو أن التضخيم يتجاوز تخفيضات الأسعار. إن خفض تكاليف الرمز المميز بنسبة 75٪ لا يساعد الشركة التي يقوم وكلاؤها بعمل رموز أكثر بمقدار 700 مرة لكل استعلام مستخدم عما يفترضه نموذج التسعير الخاص بها. لأول مرة منذ بداية عصر السحابة، أصبحت قرارات الهندسة المعمارية قرارات مالية في الوقت الفعلي مرة أخرى. إعادة التصميم السريعة هي حدث هامشي. حلقة الوكيل سيئة الارتباط هي انقطاع مع بطاقة ائتمان مرفقة. الشركات التي ستنجو خلال الـ 24 شهرًا القادمة من تسعير البنية التحتية للذكاء الاصطناعي لن تكون هي الشركات التي تدير النموذج الأرخص. سيكونون هم الأشخاص الذين يتمتع عملاؤهم بالذكاء ويعرفون تكلفة التفكير. هذه هي مشكلة 100X. وهو يصل بشكل أسرع من أن تتمكن تخفيضات الأسعار من إخفائه. مايتري تشاترجي هو مهندس برمجيات كبير في شركة تكنولوجيا كبيرة. يعمل Devansh Agarwal كمهندس تعلم الآلة في إحدى الشركات الرائدة في مجال التكنولوجيا شركة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/forget-typosquatting-slopsquatting-is-the-software-supply-chain-threat-created-by-ai-coding-tools",
            "title_en": "Forget typosquatting; slopsquatting is the software supply chain threat created by AI coding tools",
            "summary_en": "Slopsquatting represents an emerging supply chain threat made possible by AI hallucinations. As developers increasingly rely on AI coding assistants, they unknowingly grant cybercriminals access to their software from day one. Understanding what slopsquatting is Slopsquatting is a new type of supply chain attack that uses large language model (LLM) hallucinations to inject malicious code into development workflows. The term combines \"AI slop\" and \"typosquatting,\" a deceptive practice where attackers register misspelled or lookalike versions of popular domains to prey on users who enter URLs incorrectly. This novel attack vector exploits LLMs' tendency to generate fictitious software package names, which threat actors can then register and populate with malicious code. During AI-assist",
            "body_en": "Slopsquatting represents an emerging supply chain threat made possible by AI hallucinations. As developers increasingly rely on AI coding assistants, they unknowingly grant cybercriminals access to their software from day one. Understanding what slopsquatting is Slopsquatting is a new type of supply chain attack that uses large language model (LLM) hallucinations to inject malicious code into development workflows. The term combines \"AI slop\" and \"typosquatting,\" a deceptive practice where attackers register misspelled or lookalike versions of popular domains to prey on users who enter URLs incorrectly. This novel attack vector exploits LLMs' tendency to generate fictitious software package names, which threat actors can then register and populate with malicious code. During AI-assisted coding, the model may generate fake open-source packages — bundled collections of files, programs and installation tools. This alone is not necessarily harmful. However, if an attacker registers that fake package name, they can inject malware that gets incorporated directly into a developer's codebase. How AI creates a supply chain risk Traditionally, AI safety risks stem from hallucinations , which can adversely affect users who treat misinformation as valid. However, those same hallucinations have evolved into exploitable security vulnerabilities. Typosquatting is a deceptive practice where a cybercriminal registers a mispelled version of a popular package to trick developers. It has existed for decades, so registries have built protections against it. However, AI has changed the threat model . It recommends fictitious packages that sound plausible rather than making simple misspellings. Once attackers learn which hallucinated packages models tend to invent, they can register malware-filled packages under those names. Since the hallucinated packages are not simply typoed versions of popular libraries, there are no protections against this practice at scale. For example, the registry protects against an attacker publishing \"crossenv,\" a squat of the popular \"cross-env\" package. However, it would not identify \"mpn install cross-env file\" or \"cross-env-extended\" as threats. Hallucinations are persistent and severe Even if many LLMs recommend the same hallucinated package, widespread compromise is still possible. Malicious packages could remain undetected in production for months or even years, allowing threat actors to passively inject malware across countless environments. One research team analyzed 31,267 vulnerabilities belonging to 14,675 packages across 10 programming languages. They discovered that reported vulnerabilities are increasing at an annual rate of 98%, faster growth than the 25% annual increase in the number of open-source software packages. The team also observed an 85% increase in the average lifespan of vulnerabilities, indicating a decline in security. Real-world dangers of AI hallucinations Malicious actors can create open-access packages under the same name as commonly hallucinated libraries. Instead of standard code, they are filled with malware. The models believe they are referring to existing packages, so they often repeat the same hallucinated names. Since the hallucinations are not random, attackers could theoretically register packages that trick tens of thousands of developers. These packages appear legitimate. String similarity to real libraries makes them recognizable. One-character typos suggest simple mistakes rather than malicious intent. Even fully fabricated names remain believable when the AI presents them in proper context. Detection is challenging, as developers trust their coding assistants to recommend valid dependencies. Why are LLMs hallucinating packages? LLMs generate the statistically most likely answer rather than prioritizing accuracy. Hallucinations are relatively common as a result. One study found hallucination rates range from 50% to 82% , depending on the model and prompting method. Even GPT-4o, the best-performing model, goes no lower than 23%, even with prompt-based mitigation. Adversarial hallucination attacks could worsen this problem. Threat actors can leverage token-level manipulation or retrieval poisoning to force models to hallucinate in ways they want, increasing the likelihood that models recommend their malicious packages. Which LLMs are prone to slopsquatting? While all LLMs are prone to slopsquatting, some are more vulnerable than others. The likelihood of producing hallucinated packages during code generation depends on the model. Proprietary models are four times less likely to generate hallucinated packages than open-source models. One research group proved this by conducting 30 tests across 30 different systems. Out of the 576,000 code samples and 2.23 million packages it produced, 19.7% were hallucinations. GPT-4.0 Turbo had a hallucination rate of 3.59%, while DeepSeek 1B, the best-performing open-source model, reached 13.63%. This research suggests that organizations relying on open-source AI tools for code generation are roughly four times more exposed to slopsquatting attacks. That doesn’t necessarily mean proprietary tools will always remain safer, though. Once attackers realize this disparity, they may manipulate proprietary LLMs to take advantage of perceived safety. Vibe coding contributes to the problem Software developers who use AI tools estimate that over 40 percent of the code they commit includes AI assistance. They expect that percentage will increase considerably within the next few years. Already, 72% of those who have tried AI use it daily. The uptick in vibe coding and AI-assisted coding amplifies the threat surface. As more developers integrate AI tools into their workflows without implementing proper verification processes, the attack surface for slopsquatting continues to expand. For those using AI to assist with coding, double-checking output is essential. Verifying that recommended packages actually exist in official repositories before incorporating them into projects reduces risk. Navigating AI-assisted development Implementing automated checks that validate package names against known registries can help catch hallucinated packages before they enter production code. Security teams should also monitor for unusual package installations and maintain up-to-date threat intelligence on known slopsquatting campaigns. Zac Amos is the Features Editor at ReHack .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/dIQcSeSRhbDxj2aciSnha\/82de3e1c0e427d81134cbf5ff3516b5c\/u7277289442_A_modern_interpretation_of_cybersecurity._3D._--a_48e0894a-799a-4645-9c75-f18358f3b4bf_1.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/forget-typosquatting-slopsquatting-is-the-software-supply-chain-threat-created-by-ai-coding-tools",
            "date": "2026-07-11",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "ننسى القرفصاء المطبعي. إن slopsquatting هو تهديد سلسلة توريد البرامج الذي أنشأته أدوات تشفير الذكاء الاصطناعي",
            "summary_ar": "يمثل Slopsquatting تهديدًا ناشئًا لسلسلة التوريد أصبح ممكنًا بفضل هلوسة الذكاء الاصطناعي. مع اعتماد المطورين بشكل متزايد على مساعدي التشفير بالذكاء الاصطناعي، فإنهم يمنحون مجرمي الإنترنت، دون قصد، إمكانية الوصول إلى برامجهم منذ اليوم الأول. فهم ماهية slopsquatting Slopsquatting هو نوع جديد من هجمات سلسلة التوريد التي تستخدم هلوسة نموذج اللغة الكبيرة (LLM) لإدخال تعليمات برمجية ضارة في سير عمل التطوير. يجمع المصطلح بين \"AI slop\" و\"typosquatting\"، وهي ممارسة خادعة حيث يقوم المهاجمون بتسجيل إصدارات بها أخطاء إملائية أو مشابهة للنطاقات الشائعة لاصطياد المستخدمين الذين يدخلون عناوين URL بشكل غير صحيح. يستغل ناقل الهجوم الجديد هذا ميل حاملي شهادات الماجستير في إنشاء أسماء حزم برمجية وهمية، والتي يمكن للجهات الفاعلة في مجال التهديد بعد ذلك تسجيلها وتعبئتها باستخدام تعليمات برمجية ضارة. خلال مساعدة الذكاء الاصطناعي",
            "body_ar": "يمثل Slopsquatting تهديدًا ناشئًا لسلسلة التوريد أصبح ممكنًا بفضل هلوسة الذكاء الاصطناعي. مع اعتماد المطورين بشكل متزايد على مساعدي التشفير بالذكاء الاصطناعي، فإنهم يمنحون مجرمي الإنترنت، دون قصد، إمكانية الوصول إلى برامجهم منذ اليوم الأول. فهم ماهية slopsquatting Slopsquatting هو نوع جديد من هجمات سلسلة التوريد التي تستخدم هلوسة نموذج اللغة الكبيرة (LLM) لإدخال تعليمات برمجية ضارة في سير عمل التطوير. يجمع المصطلح بين \"AI slop\" و\"typosquatting\"، وهي ممارسة خادعة حيث يقوم المهاجمون بتسجيل إصدارات بها أخطاء إملائية أو مشابهة للنطاقات الشائعة لاصطياد المستخدمين الذين يدخلون عناوين URL بشكل غير صحيح. يستغل ناقل الهجوم الجديد هذا ميل حاملي شهادات الماجستير في إنشاء أسماء حزم برمجية وهمية، والتي يمكن للجهات الفاعلة في مجال التهديد بعد ذلك تسجيلها وتعبئتها باستخدام تعليمات برمجية ضارة. أثناء البرمجة بمساعدة الذكاء الاصطناعي، قد يقوم النموذج بإنشاء حزم وهمية مفتوحة المصدر - مجموعات مجمعة من الملفات والبرامج وأدوات التثبيت. وهذا وحده ليس ضارًا بالضرورة. ومع ذلك، إذا سجل أحد المهاجمين اسم الحزمة المزيف هذا، فيمكنه حقن برامج ضارة يتم دمجها مباشرة في قاعدة التعليمات البرمجية الخاصة بالمطور. كيف يخلق الذكاء الاصطناعي مخاطر سلسلة التوريد تقليديًا، تنبع مخاطر سلامة الذكاء الاصطناعي من الهلوسة، والتي يمكن أن تؤثر سلبًا على المستخدمين الذين يتعاملون مع المعلومات الخاطئة على أنها صحيحة. ومع ذلك، فقد تطورت تلك الهلوسة نفسها إلى ثغرات أمنية قابلة للاستغلال. Typosquatting هي ممارسة خادعة حيث يقوم أحد المجرمين الإلكترونيين بتسجيل نسخة بها أخطاء إملائية من حزمة شائعة لخداع المطورين. لقد كان موجودًا منذ عقود، لذا قامت السجلات ببناء وسائل حماية ضده. ومع ذلك، فقد غيّر الذكاء الاصطناعي نموذج التهديد. وتوصي بالحزم الوهمية التي تبدو معقولة بدلاً من ارتكاب أخطاء إملائية بسيطة. بمجرد أن يعرف المهاجمون الحزم المهلوسة التي تميل نماذج الحزم إلى اختراعها، يمكنهم تسجيل الحزم المليئة بالبرامج الضارة تحت تلك الأسماء. وبما أن الحزم المهلوسة ليست مجرد نسخ مطبوعة من المكتبات الشعبية، فلا توجد حماية ضد هذه الممارسة على نطاق واسع. على سبيل المثال، يحمي السجل من أي مهاجم ينشر \"crossenv\"، وهو جزء من الحزمة الشائعة \"crossenv\". ومع ذلك، فإنه لن يحدد \"ملف mpn install cross-env\" أو \"cross-env-extend\" كتهديدات. الهلوسة مستمرة وشديدة. حتى لو أوصى العديد من حاملي شهادة الماجستير في القانون بنفس الحزمة المهلوسة، فإن التسوية واسعة النطاق لا تزال ممكنة. يمكن أن تظل الحزم الضارة غير مكتشفة أثناء الإنتاج لعدة أشهر أو حتى سنوات، مما يسمح للجهات الفاعلة في مجال التهديد بحقن البرامج الضارة بشكل سلبي عبر بيئات لا حصر لها. قام أحد فرق البحث بتحليل 31,267 نقطة ضعف تنتمي إلى 14,675 حزمة عبر 10 لغات برمجة. واكتشفوا أن نقاط الضعف المبلغ عنها تتزايد بمعدل سنوي قدره 98%، وهو نمو أسرع من الزيادة السنوية البالغة 25% في عدد حزم البرامج مفتوحة المصدر. ولاحظ الفريق أيضًا زيادة بنسبة 85% في متوسط ​​عمر الثغرات الأمنية، مما يشير إلى تراجع الأمان. المخاطر الواقعية لهلوسة الذكاء الاصطناعي: يمكن للجهات الخبيثة إنشاء حزم مفتوحة الوصول تحت نفس اسم المكتبات الشائعة المهلوسة. بدلاً من التعليمات البرمجية القياسية، فهي مليئة بالبرامج الضارة. تعتقد العارضات أنهن يشيرن إلى حزم موجودة، لذلك غالبًا ما يكررن نفس الأسماء المهلوسة. ونظرًا لأن الهلوسة ليست عشوائية، فيمكن للمهاجمين نظريًا تسجيل الحزم التي تخدع عشرات الآلاف من المطورين. تبدو هذه الحزم شرعية. إن تشابه السلسلة مع المكتبات الحقيقية يجعل التعرف عليها ممكنًا. تشير الأخطاء المطبعية المكونة من حرف واحد إلى أخطاء بسيطة وليس نية خبيثة. حتى الأسماء الملفقة بالكامل تظل قابلة للتصديق عندما يقدمها الذكاء الاصطناعي في السياق المناسب. يمثل الاكتشاف تحديًا كبيرًا، حيث يثق المطورون في مساعدي الترميز لديهم للتوصية بالتبعيات الصالحة. لماذا تهلوس LLM الحزم؟ تقوم LLMs بإنشاء الإجابة الأكثر ترجيحًا إحصائيًا بدلاً من إعطاء الأولوية للدقة. ونتيجة لذلك، أصبحت الهلوسة شائعة نسبيًا. وجدت إحدى الدراسات أن معدلات الهلوسة تتراوح من 50% إلى 82%، اعتمادًا على النموذج وطريقة التحفيز. وحتى GPT-4o، النموذج الأفضل أداءً، لا يقل تأثيره عن 23%، حتى مع إجراءات التخفيف السريعة. وقد تؤدي هجمات الهلوسة العدائية إلى تفاقم هذه المشكلة. يمكن للجهات التهديدية الاستفادة من التلاعب على مستوى الرمز المميز أو التسمم بالاسترجاع لإجبار النماذج على الهلوسة بالطرق التي تريدها، مما يزيد من احتمالية توصية النماذج بحزمها الضارة. ما هي LLMs المعرضة للانحناء؟ في حين أن جميع حاملي شهادة LLM معرضون للإنحراف، إلا أن بعضهم أكثر عرضة للخطر من غيرهم. تعتمد احتمالية إنتاج حزم مهلوسة أثناء إنشاء التعليمات البرمجية على النموذج. النماذج الاحتكارية أقل احتمالية لتوليد حزم مهلوسة بأربع مرات مقارنة بالنماذج مفتوحة المصدر. وقد أثبتت إحدى المجموعات البحثية ذلك من خلال إجراء 30 اختبارًا عبر 30 نظامًا مختلفًا. ومن بين 576000 عينة من التعليمات البرمجية و2.23 مليون حزمة أنتجتها، كان 19.7% منها عبارة عن هلوسة. حقق GPT-4.0 Turbo معدل هلوسة بنسبة 3.59%، في حين وصل معدل الهلوسة في DeepSeek 1B، وهو أفضل نموذج مفتوح المصدر أداءً، إلى 13.63%. يشير هذا البحث إلى أن المؤسسات التي تعتمد على أدوات الذكاء الاصطناعي مفتوحة المصدر لتوليد التعليمات البرمجية تكون أكثر عرضة لهجمات السطو العشوائي بأربع مرات تقريبًا. لكن هذا لا يعني بالضرورة أن الأدوات الاحتكارية ستظل دائمًا أكثر أمانًا. بمجرد أن يدرك المهاجمون هذا التفاوت، فقد يتلاعبون بحاملي شهادات الماجستير للاستفادة من الأمان المتصور. يساهم تشفير Vibe في المشكلة، ويقدر مطورو البرامج الذين يستخدمون أدوات الذكاء الاصطناعي أن أكثر من 40 بالمائة من التعليمات البرمجية التي يرتكبونها تتضمن مساعدة الذكاء الاصطناعي. ويتوقعون أن ترتفع هذه النسبة بشكل كبير خلال السنوات القليلة المقبلة. بالفعل، 72% ممن جربوا الذكاء الاصطناعي يستخدمونه يوميًا. يؤدي الارتفاع في الترميز الحيوي والتشفير بمساعدة الذكاء الاصطناعي إلى تضخيم سطح التهديد. مع قيام المزيد من المطورين بدمج أدوات الذكاء الاصطناعي في سير عملهم دون تنفيذ عمليات التحقق المناسبة، يستمر سطح الهجوم في التوسع. بالنسبة لأولئك الذين يستخدمون الذكاء الاصطناعي للمساعدة في البرمجة، يعد التحقق المزدوج من المخرجات أمرًا ضروريًا. إن التحقق من وجود الحزم الموصى بها بالفعل في المستودعات الرسمية قبل دمجها في المشاريع يقلل من المخاطر. التنقل في التطوير بمساعدة الذكاء الاصطناعي يمكن أن يساعد تنفيذ عمليات الفحص الآلي التي تتحقق من صحة أسماء الحزم مقابل السجلات المعروفة في اكتشاف الحزم المهلوسة قبل إدخال رمز الإنتاج. يجب على فرق الأمان أيضًا مراقبة عمليات تثبيت الحزم غير العادية والحفاظ على معلومات استخباراتية محدثة عن التهديدات المتعلقة بحملات السطو العشوائية المعروفة. زاك آموس هو محرر الميزات في ReHack",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/data\/57-of-enterprises-have-watched-ai-agents-be-confidently-wrong-the-fix-is-an-agentic-context-layer-but-who-has-one",
            "title_en": "57% of enterprises have watched AI agents be confidently wrong. The fix is an agentic context layer, but who has one?",
            "summary_en": "An enterprise AI agent answers with total confidence, but the number is wrong. Nobody catches it until someone traces it back to a stale metric definition or a document the retrieval system never pulled. The model did not fail. The context it was given did. In the past six months, 57% of enterprises traced a confident but wrong AI agent answer to missing or inconsistent business context, and 31% said it happened more than once, according to a VB Pulse June 2026 survey of 101 qualified enterprises with more than 100 employees. The reason is not hard to find. Retrieval over documents is the default way agents get business context for 38% of enterprises, nearly double the next closest approach. The way most enterprises choose a retrieval system compounds the problem. Ease of ingestion and ope",
            "body_en": "An enterprise AI agent answers with total confidence, but the number is wrong. Nobody catches it until someone traces it back to a stale metric definition or a document the retrieval system never pulled. The model did not fail. The context it was given did. In the past six months, 57% of enterprises traced a confident but wrong AI agent answer to missing or inconsistent business context, and 31% said it happened more than once, according to a VB Pulse June 2026 survey of 101 qualified enterprises with more than 100 employees. The reason is not hard to find. Retrieval over documents is the default way agents get business context for 38% of enterprises, nearly double the next closest approach. The way most enterprises choose a retrieval system compounds the problem. Ease of ingestion and operational simplicity lead the selection criteria, with retrieval accuracy running behind both. The accuracy problem only shows up after the system is already live. There is a known fix for this, a governed context layer every agent reads from instead of guessing. Vendors are racing to roll out context platforms while most enterprises are still figuring out what it is. 75% don't have an agentic context layer yet The context layer is meant to be a shared model of what business data actually means, built once and referenced consistently instead of re-derived by every agent that touches it. The VentureBeat research shows the enterprise response to that idea is broad but unfinished. Twenty-five percent of respondents run one in production. Thirty-four percent are building one right now. The remaining 41% have not started. Among companies already building or running a governed context layer, 78% report a confident-wrong failure — an AI agent that answered with total certainty and was still wrong. Among companies with no plans to build a layer, only 20% report the same thing. Companies that already got burned are far more likely to be building the fix. Companies that haven't been burned yet see no urgency. What governed context looks like when someone actually builds one Every major data and AI platform vendor is now building some version of this layer, and they are not converging on the same architecture. DataHub is treating catalog metadata and years of analyst query behavior as a knowledge source, then keeping it current as a living system rather than a static wiki. Microsoft's Fabric IQ is building a business ontology that any agent, not just Microsoft's own, can query over MCP. Couchbase is pushing agent memory and context retrieval down to the edge, arguing the operational database is a more natural home for it than a search or analytics layer bolted on after the fact. Pinecone's Nexus is compiling structural logic into the metadata layer ahead of runtime, betting that agents need pre-built structure more than they need faster search. Snowflake runs a two-layer system, Horizon Context for customer-managed definitions and Cortex Sense for context the platform infers on its own. Oracle's Unified Memory Core takes the opposite approach, folding vector, graph and relational data into one transactional engine so there is no sync layer left to go stale. Google's Knowledge Catalog mines query logs and usage patterns to curate semantic context automatically. AWS's Context service makes the same bet, a knowledge graph that gets smarter from how agents actually use it rather than from manual re-curation. Analysts converge on one diagnosis The vendor approaches differ. What analysts and practitioners have told VentureBeat about the underlying problem, across a run of interviews this year, does not. When DataHub's context layer push landed this spring, Constellation Research VP and principal analyst Michael Ni framed the stakes in blunt terms. \"Whoever controls runtime context controls the AI decision layer for enterprise data,\" Ni said. He was equally direct about how far any single product actually gets a buyer. \"Vector memory isn't business meaning, business meaning isn't governance and governance isn't execution,\" Ni said. In the same interview, BARC analyst Kevin Petrie pointed to a narrower but concrete gap. Most context platforms concentrate on structured tables, he said, which give agents trusted facts but miss the harder, messier context locked in documents and unstructured content, exactly the material a business actually runs on day to day. Stephanie Walter, practice leader for AI Stack at HyperFRAME Research, made a related point earlier this year when VentureBeat asked her about enterprise context fragmentation . \"The market is converging on the same conclusion,\" Walter said. \"Agents don't just need more tokens or better models. They need governed, current, low-latency context.\" She made a similar case in an earlier review of Pinecone's Nexus launch , careful not to overstate how new any of this is. Nexus, she said, \"shifts knowledge work from runtime chaos to pre-compiled structure. But it's an evolution of RAG architecture, not a complete reinvention.\" Gartner's Arun Chandrasekaran, reviewing the same launch, offered the more forward-looking read. Agentic AI, he said, is moving from pure information retrieval toward a reasoning architecture, one where long context works as short-term memory and a vector database functions as deep storage underneath it. The fragmentation problem shows up hardest at the practitioner level, where separate tools for retrieval, memory and access control were never built to agree with each other. Steven Dickens, CEO and principal analyst at HyperFRAME Research, put it bluntly after Oracle's AI database push landed this spring. \"Data teams are exhausted by fragmentation fatigue,\" Dickens said. \"Managing a separate vector store, graph database and relational system just to power one agent is a DevOps nightmare.\" Matt Kimball at Moor Insights and Strategy, in that same story, put the production reality more simply. Getting an agent working is not the hard part, he said. The struggle is running it in production, where the goal becomes removing the distance between data and execution rather than adding another layer on top of it. What this means for enterprises Here's what this adds up to for enterprises building on this layer. Retrieval alone will not close the context gap. RAG is the default source for context in most enterprises today, and it is also the layer most closely associated with the confident-wrong-answer failure. Adding more documents or a bigger index does not fix a definition that is inconsistent across systems. The semantic context layer is where the budget is actually moving, even where it hasn't shipped. Fifty-eight percent of enterprises are already engaged — building or in production — but only 25% have actually gotten a layer live. That gap shows where enterprises have decided to spend, not where they've arrived. No single vendor owns the architecture yet, and that is likely to stay true for a while. Enterprises evaluating this layer should expect to integrate rather than pick a single winner, at least for the next several quarters. The buying decision is happening this year, and it is concentrated among the companies already burned by it. Fifty-seven percent of enterprises plan to switch or add a retrieval or context platform within the next twelve months. That intent is not spread evenly. Enterprises that reported a repeat confident-wrong failure plan to switch or add a provider at roughly 81%, against 32% among enterprises that never hit the problem. The companies shopping for new context tooling right now are largely the ones whose agents already got it wrong. The agents are already running. The context underneath most of them is still being built, and the vendor selling the fix is being chosen this year. This data will be part of a broader conversation at VB Transform 2026 on July 14 and 15 in Menlo Park: the context gap enterprises are racing to close, and which of the emerging approaches — governed semantic layers, hybrid retrieval, provider-native bundles — actually holds up in production.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/1dmfePLwv5tMnsvynK7fRY\/af274baef6c18c897c0f82229f923bf8\/agentic-ai-context-smk1.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/data\/57-of-enterprises-have-watched-ai-agents-be-confidently-wrong-the-fix-is-an-agentic-context-layer-but-who-has-one",
            "date": "2026-07-10",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "57% من الشركات شاهدت عملاء الذكاء الاصطناعي وهم مخطئون بثقة. الإصلاح هو طبقة سياق وكيلة، ولكن من لديه واحدة؟",
            "summary_ar": "يجيب أحد عملاء الذكاء الاصطناعي في المؤسسة بثقة تامة، لكن الرقم خاطئ. لا أحد يلتقطها حتى يتتبعها شخص ما مرة أخرى إلى تعريف متري قديم أو مستند لم يسحبه نظام الاسترجاع مطلقًا. النموذج لم يفشل. السياق الذي أعطيت له فعلت. في الأشهر الستة الماضية، تتبعت 57% من المؤسسات إجابة واثقة ولكن خاطئة من وكيل الذكاء الاصطناعي لسياق العمل المفقود أو غير المتسق، وقالت 31% منها إن ذلك حدث أكثر من مرة، وفقًا لاستطلاع أجرته VB Pulse في يونيو 2026 لـ 101 مؤسسة مؤهلة تضم أكثر من 100 موظف. السبب ليس من الصعب العثور عليه. يعد استرجاع المستندات هو الطريقة الافتراضية التي يحصل بها الوكلاء على سياق الأعمال بالنسبة لـ 38% من المؤسسات، أي ما يقرب من ضعف الطريقة الأقرب التالية. الطريقة التي تختار بها معظم الشركات نظام الاسترجاع تؤدي إلى تفاقم المشكلة. سهولة الابتلاع و com.ope",
            "body_ar": "يجيب أحد عملاء الذكاء الاصطناعي في المؤسسة بثقة تامة، لكن الرقم خاطئ. لا أحد يلتقطها حتى يتتبعها شخص ما مرة أخرى إلى تعريف متري قديم أو مستند لم يسحبه نظام الاسترجاع مطلقًا. النموذج لم يفشل. السياق الذي أعطيت له فعلت. في الأشهر الستة الماضية، تتبعت 57% من المؤسسات إجابة واثقة ولكن خاطئة من وكيل الذكاء الاصطناعي لسياق العمل المفقود أو غير المتسق، وقالت 31% منها إن ذلك حدث أكثر من مرة، وفقًا لاستطلاع أجرته VB Pulse في يونيو 2026 لـ 101 مؤسسة مؤهلة تضم أكثر من 100 موظف. السبب ليس من الصعب العثور عليه. يعد استرجاع المستندات هو الطريقة الافتراضية التي يحصل بها الوكلاء على سياق الأعمال بالنسبة لـ 38% من المؤسسات، أي ما يقرب من ضعف الطريقة الأقرب التالية. الطريقة التي تختار بها معظم الشركات نظام الاسترجاع تؤدي إلى تفاقم المشكلة. إن سهولة الاستيعاب والبساطة التشغيلية تقودان معايير الاختيار، مع دقة الاسترجاع وراء كليهما. تظهر مشكلة الدقة فقط بعد تشغيل النظام بالفعل. يوجد حل معروف لهذه المشكلة، وهو طبقة سياق محكومة يقرأ منها كل وكيل بدلاً من التخمين. يتسابق البائعون لطرح منصات السياق بينما لا تزال معظم المؤسسات تكتشف ماهيتها. 75% ليس لديهم طبقة سياق وكيل حتى الآن. المقصود من طبقة السياق أن تكون نموذجًا مشتركًا لما تعنيه بيانات العمل فعليًا، ويتم بناؤها مرة واحدة ويتم الرجوع إليها باستمرار بدلاً من إعادة اشتقاقها بواسطة كل وكيل يلمسها. يُظهر بحث VentureBeat أن استجابة المؤسسات لهذه الفكرة واسعة النطاق ولكنها غير مكتملة. خمسة وعشرون بالمائة من المشاركين يديرون واحدة في الإنتاج. أربعة وثلاثون بالمائة يقومون ببناء واحدة الآن. أما الـ 41% المتبقية فلم تبدأ بعد. من بين الشركات التي تقوم بالفعل ببناء أو تشغيل طبقة سياق محكومة، أبلغ 78% عن فشل واثق وخاطئ - حيث أجاب وكيل الذكاء الاصطناعي بيقين تام وكان لا يزال مخطئًا. ومن بين الشركات التي ليس لديها خطط لبناء طبقة، أبلغ 20% فقط عن نفس الشيء. الشركات التي تعرضت للحرق بالفعل من المرجح أن تقوم ببناء الإصلاح. الشركات التي لم يتم حرقها بعد لا ترى ضرورة ملحة. كيف يبدو السياق المحكوم عندما يقوم شخص ما ببناء واحدة فعليًا. يقوم كل بائع رئيسي للبيانات ومنصات الذكاء الاصطناعي الآن ببناء نسخة ما من هذه الطبقة، ولا يتقاربون على نفس البنية. يتعامل DataHub مع بيانات تعريف الكتالوج وسنوات من سلوك استعلام المحلل كمصدر للمعرفة، ثم يبقيها محدثة كنظام حي بدلاً من موقع wiki ثابت. يقوم برنامج Fabric IQ من Microsoft ببناء وجود تجاري يمكن لأي وكيل، وليس وكيل Microsoft فقط، الاستعلام عنه عبر MCP. تعمل Couchbase على دفع ذاكرة الوكيل واسترجاع السياق إلى الحافة، بحجة أن قاعدة البيانات التشغيلية هي موطن أكثر طبيعية لها من طبقة البحث أو التحليلات التي يتم تثبيتها بعد وقوع الحدث. يقوم Pinecone's Nexus بتجميع المنطق الهيكلي في طبقة البيانات الوصفية قبل وقت التشغيل، مراهنًا على أن الوكلاء يحتاجون إلى بنية مبنية مسبقًا أكثر من حاجتهم إلى بحث أسرع. تدير Snowflake نظامًا مكونًا من طبقتين، Horizon context للتعريفات التي يديرها العميل وCortex Sense للسياق الذي تستنتجه المنصة من تلقاء نفسها. تتخذ وحدة الذاكرة الموحدة من Oracle النهج المعاكس، حيث تقوم بطي البيانات المتجهة والرسوم البيانية والبيانات العلائقية في محرك معاملات واحد، لذلك لا توجد طبقة مزامنة متبقية لتصبح قديمة. يستخرج كتالوج المعرفة من Google سجلات الاستعلام وأنماط الاستخدام لتنظيم السياق الدلالي تلقائيًا. تقوم خدمة سياق AWS بنفس الرهان، وهو رسم بياني معرفي يصبح أكثر ذكاءً من كيفية استخدام الوكلاء له فعليًا بدلاً من إعادة التنظيم اليدوي. يتفق المحللون على تشخيص واحد وتختلف أساليب البائع. ما أخبره المحللون والممارسون لموقع VentureBeat حول المشكلة الأساسية، عبر سلسلة من المقابلات هذا العام، لم يكن كذلك. عندما تم إطلاق طبقة السياق الخاصة بـ DataHub هذا الربيع، قام مايكل ني، نائب رئيس شركة Constellation Research والمحلل الرئيسي، بتحديد المخاطر بعبارات صريحة وقال ني: \"كل من يتحكم في سياق وقت التشغيل يتحكم في طبقة قرار الذكاء الاصطناعي لبيانات المؤسسة\". لقد كان مباشرًا أيضًا بشأن مدى حصول أي منتج على مشتري فعليًا. وقال ني: \"الذاكرة المتجهة ليست معنى تجاريًا، والمعنى التجاري ليس حكمًا، والحكم ليس تنفيذًا\". وفي المقابلة نفسها، أشار كيفن بيتري، محلل BARC، إلى فجوة أضيق ولكن ملموسة. وقال إن معظم منصات السياق تركز على الجداول المنظمة، التي تمنح الوكلاء حقائق موثوقة ولكنها تفوت السياق الأصعب والأكثر فوضوية الموجود في المستندات والمحتوى غير المنظم، وهي بالضبط المادة التي تديرها الشركة فعليًا يومًا بعد يوم. أثارت ستيفاني والتر، قائدة ممارسات AI Stack في HyperFRAME Research، نقطة ذات صلة في وقت سابق من هذا العام عندما سألتها VentureBeat عن تجزئة سياق المؤسسة. وقال والتر: \"السوق تتقارب على نفس النتيجة\". \"لا يحتاج الوكلاء إلى المزيد من الرموز المميزة أو النماذج الأفضل فحسب. بل يحتاجون إلى سياق محكوم وحديث ومنخفض الكمون.\" لقد قدمت حالة مماثلة في مراجعة سابقة لإطلاق Pinecone's Nexus، مع الحرص على عدم المبالغة في تقدير مدى حداثة أي من هذا. وقالت إن Nexus \"يحول العمل المعرفي من الفوضى في وقت التشغيل إلى البنية المجمعة مسبقًا. لكنه تطور في بنية RAG، وليس إعادة اختراع كاملة.\" قدم آرون تشاندراسيكاران من شركة Gartner، بمراجعة نفس الإطلاق، قراءة أكثر تطلعًا إلى المستقبل. وقال إن Agent AI ينتقل من استرجاع المعلومات الخالصة نحو بنية منطقية، حيث يعمل السياق الطويل كذاكرة قصيرة المدى وتعمل قاعدة بيانات المتجهات كمخزن عميق تحتها. تظهر مشكلة التجزئة بشكل أصعب على مستوى الممارسين، حيث لم يتم أبدًا إنشاء أدوات منفصلة للاسترجاع والذاكرة والتحكم في الوصول لتتفق مع بعضها البعض. قال ستيفن ديكنز، الرئيس التنفيذي والمحلل الرئيسي في شركة HyperFRAME Research، الأمر بصراحة بعد إطلاق قاعدة بيانات الذكاء الاصطناعي الخاصة بشركة Oracle هذا الربيع. وقال ديكنز: \"إن فرق البيانات مرهقة بسبب إرهاق التجزئة\". \"إن إدارة مخزن متجه منفصل وقاعدة بيانات رسومية ونظام علائقي لتشغيل وكيل واحد فقط هو كابوس DevOps.\" قام مات كيمبال من Moor Insights and Strategy، في نفس القصة، بوضع واقع الإنتاج بشكل أكثر بساطة. وقال إن الحصول على وكيل يعمل ليس بالجزء الصعب. النضال هو تشغيله في الإنتاج، حيث يصبح الهدف إزالة المسافة بين البيانات والتنفيذ بدلاً من إضافة طبقة أخرى فوقها. ماذا يعني هذا بالنسبة للمؤسسات إليك ما يضيفه هذا بالنسبة للمؤسسات التي تعتمد على هذه الطبقة. الاسترجاع وحده لن يسد فجوة السياق. RAG هو المصدر الافتراضي للسياق في معظم المؤسسات اليوم، وهو أيضًا الطبقة الأكثر ارتباطًا بفشل الإجابة الخاطئة الواثقة. لا تؤدي إضافة المزيد من المستندات أو فهرس أكبر إلى إصلاح التعريف غير المتسق عبر الأنظمة. طبقة السياق الدلالي هي المكان الذي تتحرك فيه الميزانية فعليًا، حتى في الأماكن التي لم يتم شحنها فيها. ثمانية وخمسون بالمائة من المؤسسات منخرطة بالفعل - في البناء أو في الإنتاج - ولكن 25٪ فقط قد حصلت بالفعل على طبقة مباشرة. وتظهر هذه الفجوة أين قررت الشركات الإنفاق، وليس أين وصلت. لا يوجد بائع واحد يمتلك هذه البنية حتى الآن، ومن المرجح أن يظل هذا صحيحًا لفترة من الوقت. وينبغي للشركات التي تقوم بتقييم هذه الطبقة أن تتوقع التكامل بدلاً من اختيار فائز واحد، على الأقل خلال الأرباع السنوية العديدة القادمة. قرار الشراء يحدث هذا العام، وهو متركز بين الشركات التي احترقت بسببه بالفعل. وتخطط 57% من المؤسسات للتبديل أو إضافة منصة استرجاع أو سياق خلال الاثني عشر شهرًا القادمة. هذه النية لا تنتشر بالتساوي. الشركات التي أبلغت عن خطة فاشلة متكررة وواثقة وخاطئة لتبديل أو إضافة مزود خدمة بلغت حوالي 81%، مقابل 32% بين الشركات التي لم تواجه المشكلة مطلقًا. الشركات التي تبحث عن أدوات سياقية جديدة في الوقت الحالي هي إلى حد كبير تلك التي أخطأ عملاؤها بالفعل في فهم الأمر. الوكلاء قيد التشغيل بالفعل. لا يزال السياق الموجود أسفل معظمها قيد الإنشاء، ويتم اختيار البائع الذي يبيع الإصلاح هذا العام. ستكون هذه البيانات جزءًا من محادثة أوسع نطاقًا في VB Transform 2026 يومي 14 و15 يوليو في مينلو بارك: فجوة السياق التي تتسابق المؤسسات لسدها، وأي من الأساليب الناشئة - الطبقات الدلالية المحكومة، والاسترجاع المختلط، والحزم الأصلية للموفر - تصمد بالفعل إنتاج.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/data\/57-of-enterprises-have-watched-ai-agents-be-confidently-wrong-the-context-layer-is-the-reason-why",
            "title_en": "57% of enterprises have watched AI agents be confidently wrong. The context layer is the reason why",
            "summary_en": "An enterprise AI agent answers with total confidence, but the number is wrong. Nobody catches it until someone traces it back to a stale metric definition or a document the retrieval system never pulled. The model did not fail. The context it was given did. In the past six months, 57% of enterprises traced a confident but wrong AI agent answer to missing or inconsistent business context, and 31% said it happened more than once, according to a VB Pulse June 2026 survey of 101 qualified enterprises with more than 100 employees. The reason is not hard to find. Retrieval over documents is the default way agents get business context for 38% of enterprises, nearly double the next closest approach. The way most enterprises choose a retrieval system compounds the problem. Ease of ingestion and ope",
            "body_en": "An enterprise AI agent answers with total confidence, but the number is wrong. Nobody catches it until someone traces it back to a stale metric definition or a document the retrieval system never pulled. The model did not fail. The context it was given did. In the past six months, 57% of enterprises traced a confident but wrong AI agent answer to missing or inconsistent business context, and 31% said it happened more than once, according to a VB Pulse June 2026 survey of 101 qualified enterprises with more than 100 employees. The reason is not hard to find. Retrieval over documents is the default way agents get business context for 38% of enterprises, nearly double the next closest approach. The way most enterprises choose a retrieval system compounds the problem. Ease of ingestion and operational simplicity lead the selection criteria, with retrieval accuracy running behind both. The accuracy problem only shows up after the system is already live. There is a known fix for this, a governed context layer every agent reads from instead of guessing. Vendors are racing to roll out context platforms while most enterprises are still figuring out what it is. 75% don't have an agentic context layer yet The context layer is meant to be a shared model of what business data actually means, built once and referenced consistently instead of re-derived by every agent that touches it. The VentureBeat research shows the enterprise response to that idea is broad but unfinished. Twenty-five percent of respondents run one in production. Thirty-four percent are building one right now. The remaining 41% have not started. Among companies already building or running a governed context layer, 78% report a confident-wrong failure — an AI agent that answered with total certainty and was still wrong. Among companies with no plans to build a layer, only 20% report the same thing. Companies that already got burned are far more likely to be building the fix. Companies that haven't been burned yet see no urgency. What governed context looks like when someone actually builds one Every major data and AI platform vendor is now building some version of this layer, and they are not converging on the same architecture. DataHub is treating catalog metadata and years of analyst query behavior as a knowledge source, then keeping it current as a living system rather than a static wiki. Microsoft's Fabric IQ is building a business ontology that any agent, not just Microsoft's own, can query over MCP. Couchbase is pushing agent memory and context retrieval down to the edge, arguing the operational database is a more natural home for it than a search or analytics layer bolted on after the fact. Pinecone's Nexus is compiling structural logic into the metadata layer ahead of runtime, betting that agents need pre-built structure more than they need faster search. Snowflake runs a two-layer system, Horizon Context for customer-managed definitions and Cortex Sense for context the platform infers on its own. Oracle's Unified Memory Core takes the opposite approach, folding vector, graph and relational data into one transactional engine so there is no sync layer left to go stale. Google's Knowledge Catalog mines query logs and usage patterns to curate semantic context automatically. AWS's Context service makes the same bet, a knowledge graph that gets smarter from how agents actually use it rather than from manual re-curation. Analysts converge on one diagnosis The vendor approaches differ. What analysts and practitioners have told VentureBeat about the underlying problem, across a run of interviews this year, does not. When DataHub's context layer push landed this spring, Constellation Research VP and principal analyst Michael Ni framed the stakes in blunt terms. \"Whoever controls runtime context controls the AI decision layer for enterprise data,\" Ni said. He was equally direct about how far any single product actually gets a buyer. \"Vector memory isn't business meaning, business meaning isn't governance and governance isn't execution,\" Ni said. In the same interview, BARC analyst Kevin Petrie pointed to a narrower but concrete gap. Most context platforms concentrate on structured tables, he said, which give agents trusted facts but miss the harder, messier context locked in documents and unstructured content, exactly the material a business actually runs on day to day. Stephanie Walter, practice leader for AI Stack at HyperFRAME Research, made a related point earlier this year when VentureBeat asked her about enterprise context fragmentation . \"The market is converging on the same conclusion,\" Walter said. \"Agents don't just need more tokens or better models. They need governed, current, low-latency context.\" She made a similar case in an earlier review of Pinecone's Nexus launch , careful not to overstate how new any of this is. Nexus, she said, \"shifts knowledge work from runtime chaos to pre-compiled structure. But it's an evolution of RAG architecture, not a complete reinvention.\" Gartner's Arun Chandrasekaran, reviewing the same launch, offered the more forward-looking read. Agentic AI, he said, is moving from pure information retrieval toward a reasoning architecture, one where long context works as short-term memory and a vector database functions as deep storage underneath it. The fragmentation problem shows up hardest at the practitioner level, where separate tools for retrieval, memory and access control were never built to agree with each other. Steven Dickens, CEO and principal analyst at HyperFRAME Research, put it bluntly after Oracle's AI database push landed this spring. \"Data teams are exhausted by fragmentation fatigue,\" Dickens said. \"Managing a separate vector store, graph database and relational system just to power one agent is a DevOps nightmare.\" Matt Kimball at Moor Insights and Strategy, in that same story, put the production reality more simply. Getting an agent working is not the hard part, he said. The struggle is running it in production, where the goal becomes removing the distance between data and execution rather than adding another layer on top of it. What this means for enterprises Here's what this adds up to for enterprises building on this layer. Retrieval alone will not close the context gap. RAG is the default source for context in most enterprises today, and it is also the layer most closely associated with the confident-wrong-answer failure. Adding more documents or a bigger index does not fix a definition that is inconsistent across systems. The semantic context layer is where the budget is actually moving, even where it hasn't shipped. Fifty-eight percent of enterprises are already engaged — building or in production — but only 25% have actually gotten a layer live. That gap shows where enterprises have decided to spend, not where they've arrived. No single vendor owns the architecture yet, and that is likely to stay true for a while. Enterprises evaluating this layer should expect to integrate rather than pick a single winner, at least for the next several quarters. The buying decision is happening this year, and it is concentrated among the companies already burned by it. Fifty-seven percent of enterprises plan to switch or add a retrieval or context platform within the next twelve months. That intent is not spread evenly. Enterprises that reported a repeat confident-wrong failure plan to switch or add a provider at roughly 81%, against 32% among enterprises that never hit the problem. The companies shopping for new context tooling right now are largely the ones whose agents already got it wrong. The agents are already running. The context underneath most of them is still being built, and the vendor selling the fix is being chosen this year. This data will be part of a broader conversation at VB Transform 2026 on July 14 and 15 in Menlo Park: the context gap enterprises are racing to close, and which of the emerging approaches — governed semantic layers, hybrid retrieval, provider-native bundles — actually holds up in production.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/1dmfePLwv5tMnsvynK7fRY\/af274baef6c18c897c0f82229f923bf8\/agentic-ai-context-smk1.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/data\/57-of-enterprises-have-watched-ai-agents-be-confidently-wrong-the-context-layer-is-the-reason-why",
            "date": "2026-07-10",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "57% من الشركات شاهدت عملاء الذكاء الاصطناعي وهم مخطئون بثقة. طبقة السياق هي السبب",
            "summary_ar": "يجيب أحد عملاء الذكاء الاصطناعي في المؤسسة بثقة تامة، لكن الرقم خاطئ. لا أحد يلتقطها حتى يتتبعها شخص ما مرة أخرى إلى تعريف متري قديم أو مستند لم يسحبه نظام الاسترجاع مطلقًا. النموذج لم يفشل. السياق الذي أعطيت له فعلت. في الأشهر الستة الماضية، تتبعت 57% من المؤسسات إجابة واثقة ولكن خاطئة من وكيل الذكاء الاصطناعي لسياق العمل المفقود أو غير المتسق، وقالت 31% منها إن ذلك حدث أكثر من مرة، وفقًا لاستطلاع أجرته VB Pulse في يونيو 2026 لـ 101 مؤسسة مؤهلة تضم أكثر من 100 موظف. السبب ليس من الصعب العثور عليه. يعد استرجاع المستندات هو الطريقة الافتراضية التي يحصل بها الوكلاء على سياق الأعمال بالنسبة لـ 38% من المؤسسات، أي ما يقرب من ضعف الطريقة الأقرب التالية. الطريقة التي تختار بها معظم الشركات نظام الاسترجاع تؤدي إلى تفاقم المشكلة. سهولة الابتلاع و com.ope",
            "body_ar": "يجيب أحد عملاء الذكاء الاصطناعي في المؤسسة بثقة تامة، لكن الرقم خاطئ. لا أحد يلتقطها حتى يتتبعها شخص ما مرة أخرى إلى تعريف متري قديم أو مستند لم يسحبه نظام الاسترجاع مطلقًا. النموذج لم يفشل. السياق الذي أعطيت له فعلت. في الأشهر الستة الماضية، تتبعت 57% من المؤسسات إجابة واثقة ولكن خاطئة من وكيل الذكاء الاصطناعي لسياق العمل المفقود أو غير المتسق، وقالت 31% منها إن ذلك حدث أكثر من مرة، وفقًا لاستطلاع أجرته VB Pulse في يونيو 2026 لـ 101 مؤسسة مؤهلة تضم أكثر من 100 موظف. السبب ليس من الصعب العثور عليه. يعد استرجاع المستندات هو الطريقة الافتراضية التي يحصل بها الوكلاء على سياق الأعمال بالنسبة لـ 38% من المؤسسات، أي ما يقرب من ضعف الطريقة الأقرب التالية. الطريقة التي تختار بها معظم الشركات نظام الاسترجاع تؤدي إلى تفاقم المشكلة. إن سهولة الاستيعاب والبساطة التشغيلية تقودان معايير الاختيار، مع دقة الاسترجاع وراء كليهما. تظهر مشكلة الدقة فقط بعد تشغيل النظام بالفعل. يوجد حل معروف لهذه المشكلة، وهو طبقة سياق محكومة يقرأ منها كل وكيل بدلاً من التخمين. يتسابق البائعون لطرح منصات السياق بينما لا تزال معظم المؤسسات تكتشف ماهيتها. 75% ليس لديهم طبقة سياق وكيل حتى الآن. المقصود من طبقة السياق أن تكون نموذجًا مشتركًا لما تعنيه بيانات العمل فعليًا، ويتم بناؤها مرة واحدة ويتم الرجوع إليها باستمرار بدلاً من إعادة اشتقاقها بواسطة كل وكيل يلمسها. يُظهر بحث VentureBeat أن استجابة المؤسسات لهذه الفكرة واسعة النطاق ولكنها غير مكتملة. خمسة وعشرون بالمائة من المشاركين يديرون واحدة في الإنتاج. أربعة وثلاثون بالمائة يقومون ببناء واحدة الآن. أما الـ 41% المتبقية فلم تبدأ بعد. من بين الشركات التي تقوم بالفعل ببناء أو تشغيل طبقة سياق محكومة، أبلغ 78% عن فشل واثق وخاطئ - حيث أجاب وكيل الذكاء الاصطناعي بيقين تام وكان لا يزال مخطئًا. ومن بين الشركات التي ليس لديها خطط لبناء طبقة، أبلغ 20% فقط عن نفس الشيء. الشركات التي تعرضت للحرق بالفعل من المرجح أن تقوم ببناء الإصلاح. الشركات التي لم يتم حرقها بعد لا ترى ضرورة ملحة. كيف يبدو السياق المحكوم عندما يقوم شخص ما ببناء واحدة فعليًا. يقوم كل بائع رئيسي للبيانات ومنصات الذكاء الاصطناعي الآن ببناء نسخة ما من هذه الطبقة، ولا يتقاربون على نفس البنية. يتعامل DataHub مع بيانات تعريف الكتالوج وسنوات من سلوك استعلام المحلل كمصدر للمعرفة، ثم يبقيها محدثة كنظام حي بدلاً من موقع wiki ثابت. يقوم برنامج Fabric IQ من Microsoft ببناء وجود تجاري يمكن لأي وكيل، وليس وكيل Microsoft فقط، الاستعلام عنه عبر MCP. تعمل Couchbase على دفع ذاكرة الوكيل واسترجاع السياق إلى الحافة، بحجة أن قاعدة البيانات التشغيلية هي موطن أكثر طبيعية لها من طبقة البحث أو التحليلات التي يتم تثبيتها بعد وقوع الحدث. يقوم Pinecone's Nexus بتجميع المنطق الهيكلي في طبقة البيانات الوصفية قبل وقت التشغيل، مراهنًا على أن الوكلاء يحتاجون إلى بنية مبنية مسبقًا أكثر من حاجتهم إلى بحث أسرع. تدير Snowflake نظامًا مكونًا من طبقتين، Horizon context للتعريفات التي يديرها العميل وCortex Sense للسياق الذي تستنتجه المنصة من تلقاء نفسها. تتخذ وحدة الذاكرة الموحدة من Oracle النهج المعاكس، حيث تقوم بطي البيانات المتجهة والرسوم البيانية والبيانات العلائقية في محرك معاملات واحد، لذلك لا توجد طبقة مزامنة متبقية لتصبح قديمة. يستخرج كتالوج المعرفة من Google سجلات الاستعلام وأنماط الاستخدام لتنظيم السياق الدلالي تلقائيًا. تقوم خدمة سياق AWS بنفس الرهان، وهو رسم بياني معرفي يصبح أكثر ذكاءً من كيفية استخدام الوكلاء له فعليًا بدلاً من إعادة التنظيم اليدوي. يتفق المحللون على تشخيص واحد وتختلف أساليب البائع. ما أخبره المحللون والممارسون لموقع VentureBeat حول المشكلة الأساسية، عبر سلسلة من المقابلات هذا العام، لم يكن كذلك. عندما تم إطلاق طبقة السياق الخاصة بـ DataHub هذا الربيع، قام مايكل ني، نائب رئيس شركة Constellation Research والمحلل الرئيسي، بتحديد المخاطر بعبارات صريحة وقال ني: \"كل من يتحكم في سياق وقت التشغيل يتحكم في طبقة قرار الذكاء الاصطناعي لبيانات المؤسسة\". لقد كان مباشرًا أيضًا بشأن مدى حصول أي منتج على مشتري فعليًا. وقال ني: \"الذاكرة المتجهة ليست معنى تجاريًا، والمعنى التجاري ليس حكمًا، والحكم ليس تنفيذًا\". وفي المقابلة نفسها، أشار كيفن بيتري، محلل BARC، إلى فجوة أضيق ولكن ملموسة. وقال إن معظم منصات السياق تركز على الجداول المنظمة، التي تمنح الوكلاء حقائق موثوقة ولكنها تفوت السياق الأصعب والأكثر فوضوية الموجود في المستندات والمحتوى غير المنظم، وهي بالضبط المادة التي تديرها الشركة فعليًا يومًا بعد يوم. أثارت ستيفاني والتر، قائدة ممارسات AI Stack في HyperFRAME Research، نقطة ذات صلة في وقت سابق من هذا العام عندما سألتها VentureBeat عن تجزئة سياق المؤسسة. وقال والتر: \"السوق تتقارب على نفس النتيجة\". \"لا يحتاج الوكلاء إلى المزيد من الرموز المميزة أو النماذج الأفضل فحسب. بل يحتاجون إلى سياق محكوم وحديث ومنخفض الكمون.\" لقد قدمت حالة مماثلة في مراجعة سابقة لإطلاق Pinecone's Nexus، مع الحرص على عدم المبالغة في تقدير مدى حداثة أي من هذا. وقالت إن Nexus \"يحول العمل المعرفي من الفوضى في وقت التشغيل إلى البنية المجمعة مسبقًا. لكنه تطور في بنية RAG، وليس إعادة اختراع كاملة.\" قدم آرون تشاندراسيكاران من شركة Gartner، بمراجعة نفس الإطلاق، قراءة أكثر تطلعًا إلى المستقبل. وقال إن Agent AI ينتقل من استرجاع المعلومات الخالصة نحو بنية منطقية، حيث يعمل السياق الطويل كذاكرة قصيرة المدى وتعمل قاعدة بيانات المتجهات كمخزن عميق تحتها. تظهر مشكلة التجزئة بشكل أصعب على مستوى الممارسين، حيث لم يتم أبدًا إنشاء أدوات منفصلة للاسترجاع والذاكرة والتحكم في الوصول لتتفق مع بعضها البعض. قال ستيفن ديكنز، الرئيس التنفيذي والمحلل الرئيسي في شركة HyperFRAME Research، الأمر بصراحة بعد إطلاق قاعدة بيانات الذكاء الاصطناعي الخاصة بشركة Oracle هذا الربيع. وقال ديكنز: \"إن فرق البيانات مرهقة بسبب إرهاق التجزئة\". \"إن إدارة مخزن متجه منفصل وقاعدة بيانات رسومية ونظام علائقي لتشغيل وكيل واحد فقط هو كابوس DevOps.\" قام مات كيمبال من Moor Insights and Strategy، في نفس القصة، بوضع واقع الإنتاج بشكل أكثر بساطة. وقال إن الحصول على وكيل يعمل ليس بالجزء الصعب. النضال هو تشغيله في الإنتاج، حيث يصبح الهدف إزالة المسافة بين البيانات والتنفيذ بدلاً من إضافة طبقة أخرى فوقها. ماذا يعني هذا بالنسبة للمؤسسات إليك ما يضيفه هذا بالنسبة للمؤسسات التي تعتمد على هذه الطبقة. الاسترجاع وحده لن يسد فجوة السياق. RAG هو المصدر الافتراضي للسياق في معظم المؤسسات اليوم، وهو أيضًا الطبقة الأكثر ارتباطًا بفشل الإجابة الخاطئة الواثقة. لا تؤدي إضافة المزيد من المستندات أو فهرس أكبر إلى إصلاح التعريف غير المتسق عبر الأنظمة. طبقة السياق الدلالي هي المكان الذي تتحرك فيه الميزانية فعليًا، حتى في الأماكن التي لم يتم شحنها فيها. ثمانية وخمسون بالمائة من المؤسسات منخرطة بالفعل - في البناء أو في الإنتاج - ولكن 25٪ فقط قد حصلت بالفعل على طبقة مباشرة. وتظهر هذه الفجوة أين قررت الشركات الإنفاق، وليس أين وصلت. لا يوجد بائع واحد يمتلك هذه البنية حتى الآن، ومن المرجح أن يظل هذا صحيحًا لفترة من الوقت. وينبغي للشركات التي تقوم بتقييم هذه الطبقة أن تتوقع التكامل بدلاً من اختيار فائز واحد، على الأقل خلال الأرباع السنوية العديدة القادمة. قرار الشراء يحدث هذا العام، وهو متركز بين الشركات التي احترقت بسببه بالفعل. وتخطط 57% من المؤسسات للتبديل أو إضافة منصة استرجاع أو سياق خلال الاثني عشر شهرًا القادمة. هذه النية لا تنتشر بالتساوي. الشركات التي أبلغت عن خطة فاشلة متكررة وواثقة وخاطئة لتبديل أو إضافة مزود خدمة بلغت حوالي 81%، مقابل 32% بين الشركات التي لم تواجه المشكلة مطلقًا. الشركات التي تبحث عن أدوات سياقية جديدة في الوقت الحالي هي إلى حد كبير تلك التي أخطأ عملاؤها بالفعل في فهم الأمر. الوكلاء قيد التشغيل بالفعل. لا يزال السياق الموجود أسفل معظمها قيد الإنشاء، ويتم اختيار البائع الذي يبيع الإصلاح هذا العام. ستكون هذه البيانات جزءًا من محادثة أوسع نطاقًا في VB Transform 2026 يومي 14 و15 يوليو في مينلو بارك: فجوة السياق التي تتسابق المؤسسات لسدها، وأي من الأساليب الناشئة - الطبقات الدلالية المحكومة، والاسترجاع المختلط، والحزم الأصلية للموفر - تصمد بالفعل إنتاج.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/openai-introduces-chatgpt-work-a-cloud-based-ai-agent-that-manages-tasks-across-email-slack-and-calendars",
            "title_en": "OpenAI introduces ChatGPT Work, a cloud-based AI agent that manages tasks across email, Slack and calendars",
            "summary_en": "OpenAI on Thursday launched ChatGPT Work , a new AI agent embedded inside its flagship chatbot that aims to transform ChatGPT from a question-and-answer tool into an autonomous work platform capable of executing complex, multi-step tasks across users' email, calendars, code repositories, and messaging apps. The product is powered by OpenAI's latest flagship model, GPT-5.6 , and is designed to go far beyond generating text. ChatGPT Work can gather context from connected apps, files, and workflows to produce finished documents, spreadsheets, presentations, reports, and websites. The agent takes a stated outcome, breaks it into smaller steps, and stays with complex projects for hours, completing them independently. The launch marks OpenAI's clearest attempt yet to reposition Ch",
            "body_en": "OpenAI on Thursday launched ChatGPT Work , a new AI agent embedded inside its flagship chatbot that aims to transform ChatGPT from a question-and-answer tool into an autonomous work platform capable of executing complex, multi-step tasks across users' email, calendars, code repositories, and messaging apps. The product is powered by OpenAI's latest flagship model, GPT-5.6 , and is designed to go far beyond generating text. ChatGPT Work can gather context from connected apps, files, and workflows to produce finished documents, spreadsheets, presentations, reports, and websites. The agent takes a stated outcome, breaks it into smaller steps, and stays with complex projects for hours, completing them independently. The launch marks OpenAI's clearest attempt yet to reposition ChatGPT as a workplace platform rather than a chatbot — and it arrives at a moment of extraordinary financial significance for the company. Last month, OpenAI confidentially submitted a draft S-1 registration statement to the SEC, initiating what could become one of the largest technology IPOs in history, with reported valuations clustering between $730 billion and $852 billion and annualized revenue that has blown past $25 billion. In a short demonstration and conversation with VentureBeat on Friday, Ty Geri, a product manager at OpenAI who helped build ChatGPT Work, said the product's mission is to democratize the kind of agentic AI capabilities that OpenAI's internal engineering tool, Codex, has already demonstrated. \"What's really exciting is we've seen how much Codex has been able to push the frontier of what we can get done with these AI tools, as opposed to just getting information or answers or guidance,\" Geri said. \"Our internal adoption of Codex is literally an exponential curve across every single product function and every single use case.\" Why OpenAI built a persistent virtual machine that works from the beach The core architectural bet behind ChatGPT Work is a persistent cloud-based virtual machine that runs on OpenAI's servers, always available to the user regardless of which device they happen to be on. That marks a deliberate departure from competitors whose agents require a local machine to remain powered on and connected. \"What's really exciting about ChatGPT Work is that it's a virtual machine in the cloud that's always on for you, and this is available across all of our paid tiers,\" Geri said. \"All Plus users are getting this. I think that's a very unique aspect of this.\" The mobile-first aspect of the launch is something Geri described as \"missing from the market.\" He pointed to the ability to create a website on a phone and share it with collaborators as a particularly novel capability. \"Sites are new in general to Codex. They launched in Codex about a week and a half ago, but now we're launching also in web and mobile. You can create a site on your phone at the beach and share it with your friends,\" he said. ChatGPT Work will roll out beginning with Pro, Enterprise, and Edu users , and will expand to Plus and Business users over the next few days. In the interview, Geri emphasized that the availability of the product to Plus subscribers — not just premium tiers — is central to OpenAI's strategy. \"It's accessible to all paid plans, including Plus users, which in my opinion is a really big feat, and really part of that OpenAI mission, which is about bringing all this power to as many people,\" he said. How MCP plugins connect ChatGPT Work to Slack, Gmail, and GitHub The product relies on MCP-based plugins to connect to external services like Gmail, Google Calendar, Slack, and GitHub. When asked whether the plugin architecture is based on the Model Context Protocol standard , Geri confirmed: \"These are all based on MCP.\" He added that connecting multiple Gmail accounts — a frequent user request — \"is definitely on the roadmap.\" The experience is designed to be action-oriented from the first interaction. ChatGPT Work offers a personalized onboarding flow that surfaces different suggested use cases depending on the user's role. Geri demonstrated how the system, detecting his role as a product manager, immediately suggested tasks like evaluating AI systems, building research artifacts, and managing his calendar. \"You can start with a simple task like catch me up on Slack or Teams or read today's calendar,\" Geri said. He described a scenario where the system reviewed his calendar, identified scheduling conflicts, flagged meetings requiring preparation, and then — on his instruction — declined, accepted, or rescheduled events directly. Users can also customize the agent by teaching it their writing style, organizing outputs into projects, and — in a lighter touch — choosing a virtual pet that accompanies them in the interface. The interface also introduces a hosted website feature that allows users to build and share interactive sites directly through ChatGPT Work, turning what would typically be a static slide deck into a dynamic, collaborative artifact. \"Now we suddenly have a collaborative interface that's actually more exciting and more accessible than a slide deck, which has all these formatting restrictions,\" Geri said. Scheduling 10 bug bashes at once: what agentic productivity looks like in practice Geri's own usage of ChatGPT Work illustrates the breadth of tasks the system can handle. In the run-up to the product's launch, he needed to organize pre-release testing sessions — known internally as \"bug bashes\" — across dozens of features and team members. \"I just come to ChatGPT Work and say, 'Set up a bug bash for all the distinct features in ChatGPT Work. Add all the people that worked on that feature,' and it can check Slack, it can check GitHub, it can check Docs, and find a time that works for the four highest contributors to that feature,\" Geri said. \"It went and scheduled 10 bug bashes, all coordinated across all those different people. That would have taken me 30 minutes at least.\" But Geri pushed back against the characterization that ChatGPT Work is limited to rote administrative work. He described using it for analytically complex tasks like identifying the biggest causes of user churn for specific product features and generating product solutions — work he said would previously have taken months. \"Things that we would have spent three months doing, we can now spend a week doing — and do much more, and make a much better product,\" Geri said. \"Bugs that we would have found three or four weeks from now, we can now find within two days and fix for our users.\" He also described handing off the tedium of product testing itself. \"It used to be that even though like the most interesting part of my job is like what to test, I would actually end up having to spend most of my job doing the testing, which is like me taking a mouse and like clicking on the same thing over and over again, like five times,\" Geri said. \"Instead, now I can define what do we want to test, and ChatGPT Work or Codex can actually go test it for me, deliver me that bug report, and then we can work on fixing that bug.\" What OpenAI says about data privacy when AI reads your Slack and email When pressed on data privacy concerns — given that ChatGPT Work pulls sensitive information from workplace tools like Slack, Google Drive, and email — Geri said privacy \"is incredibly important, and the most important part of this is it's always in the user's control.\" He pointed to OpenAI's existing enterprise security infrastructure, noting that \"enterprise accounts have ZDR, and users can always opt out of letting their conversations help improve future models, which many users do.\" The comment aligns with assurances OpenAI made when it first launched ChatGPT Enterprise in August 2023, when the company wrote in a blog post that it does \" not train on your business data or conversations .\" The privacy question carries additional weight now because of the sheer volume of sensitive workplace data ChatGPT Work is designed to access. Unlike a chatbot session where a user voluntarily pastes text into a prompt, ChatGPT Work actively reaches into connected systems — reading Slack messages, scanning calendar invitations, pulling GitHub commit histories — to assemble context for its tasks. That represents a fundamentally different data surface area than anything OpenAI has offered before, and one that enterprise security teams will scrutinize carefully before granting access. ChatGPT Work enters a three-way arms race with Anthropic and Microsoft ChatGPT Work lands squarely in the middle of what has become the defining competitive battlefield in enterprise AI: the race to build autonomous workplace agents that can go beyond generating text and actually execute tasks. The product arrives months after Anthropic took Claude Cowork out of preview and into general availability in April, bringing its AI agent to web and mobile platforms aimed at helping enterprise users monitor and manage long-running AI-driven tasks from anywhere. Meanwhile, Microsoft made Copilot Cowork generally available worldwide on June 16, built in partnership with Anthropic to move beyond chat and into execution. The three products — ChatGPT Work, Claude Cowork, and Microsoft Copilot Cowork — now compete directly for the attention of enterprise IT departments and individual knowledge workers alike. The convergence is striking. All three products share a remarkably similar vision: a persistent AI agent running in the cloud that can break complex tasks into steps, connect to workplace tools via plugins, and produce finished outputs rather than just conversational replies. All three work across desktop, web, and mobile. What distinguishes OpenAI's approach is its raw consumer distribution advantage. ChatGPT has reached 900 million weekly active users , and OpenAI now has 50 million paying subscribers . More than 9 million paying business users rely on ChatGPT for work, and 92% of Fortune 500 companies now use ChatGPT. By making ChatGPT Work available to Plus subscribers at $20 a month — not just Enterprise or Pro customers — OpenAI is betting that broad accessibility will drive adoption faster than any competitor can match. OpenAI's product manager says AI is a partner, not a replacement — with a caveat When asked about the potential impact on the labor market, Geri was careful with his framing. He declined to speak broadly about workforce disruption but offered his personal experience as a product manager whose day-to-day work has been substantially reshaped by the tool. \"My job is not to schedule bug bashes and find out who contributed to a specific feature. That's a task I do in my job, but that's not my job,\" Geri said. \"My job is to make an amazing product.\" He described ChatGPT Work as \"a partner\" and \"an extension of me, certainly not a replacement,\" adding: \"Everybody feels far more productive than before, but is also almost working harder than before, because you get to work on all the things you want to work on as opposed to the drudgery around it.\" But Geri was also careful not to minimize the sophistication of the work the agent can handle. \"I also don't want to say that it's only doing mundane tasks because, like something like hill climbing retention curves on a given feature is not mundane. It's actually really hard to do,\" he said. The distinction matters. If ChatGPT Work were merely automating calendar invitations and expense reports, it would be a convenience tool. The fact that Geri describes it compressing three months of analytical product work into a single week suggests something with far greater implications for how teams are structured and staffed. An IPO-bound company needs ChatGPT Work to prove enterprise AI can generate revenue The timing of ChatGPT Work's launch is impossible to separate from OpenAI's IPO trajectory. The company needs to demonstrate that it can convert its massive consumer user base into durable enterprise revenue — a narrative that becomes significantly more compelling with a product explicitly designed around professional workflows. OpenAI said it is generating $2 billion in revenue per month , growing four times faster than Alphabet and Meta did at comparable stages, with enterprise now making up more than 40% of revenue and on track to reach parity with consumer by the end of 2026. But OpenAI remains heavily loss-making, and the company does not expect to reach profitability until around 2030 , with internal projections suggesting losses of $14 billion in 2026 alone. The competitive dynamics are unprecedented. Anthropic filed for its own IPO on June 1 at a $965 billion valuation , setting up simultaneous public listings from the two most prominent AI startups in history. Whether both can sustain their lofty valuations under the scrutiny of public market investors will depend in large part on whether products like ChatGPT Work and Claude Cowork deliver measurable productivity gains to paying enterprise customers. The launch also caps a product trajectory that began with ChatGPT Enterprise in August 2023, accelerated through the release of OpenAI's Operator agent in January 2025, and continued through Operator's deprecation and shutdown on August 31, 2025, when its capabilities were folded into the ChatGPT agent framework. ChatGPT Work is the consolidation of those efforts into a single, unified product — one that pairs GPT-5.6's three model variants (Sol for power, Luna for speed, and Terra for balanced everyday use) with a persistent cloud environment and an expanding library of MCP plugins. The future of work may already be running in the cloud When asked whether ChatGPT Work signals a shift toward a new kind of operating system — one where users interact with their computers primarily through an AI agent rather than through traditional mouse-and-keyboard interfaces — Geri stopped short of making sweeping predictions. But he hinted at the direction OpenAI sees ahead. \"Anybody who has worked with Codex or now ChatGPT Work will realize how exciting it is to interact with your environment and your computer via the agent,\" he said. \"Especially in the desktop app, where the model has access to your entire machine and can interact with websites on your behalf — it's really able to be an extension of you and a real partner, and that certainly feels like the future.\" At the end of the interview, Geri circled back to something personal. \"I've never enjoyed work as much as I have in the last month using ChatGPT Work and Codex,\" he said — a striking admission from a product manager who, until recently, spent a meaningful share of his days clicking through the same interface five times in a row just to see if it would break. OpenAI is now asking 900 million users to believe that feeling scales. For a company weeks away from one of the largest public offerings in history, the answer to that question is worth roughly $850 billion.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/XaJBJbkMIolDxyrlIw5Qd\/b9e360da7531ae921f32528977713b61\/Nuneybits_Magazine-style_digital_illustration_of_oversized_clou_64512c24-eef8-4ed0-9aae-efcb0615033a.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/openai-introduces-chatgpt-work-a-cloud-based-ai-agent-that-manages-tasks-across-email-slack-and-calendars",
            "date": "2026-07-10",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تقدم OpenAI برنامج ChatGPT Work، وهو وكيل ذكاء اصطناعي قائم على السحابة يدير المهام عبر البريد الإلكتروني وSlack والتقويمات",
            "summary_ar": "أطلقت OpenAI يوم الخميس ChatGPT Work، وهو وكيل ذكاء اصطناعي جديد مضمن داخل برنامج الدردشة الآلي الرئيسي الخاص به والذي يهدف إلى تحويل ChatGPT من أداة سؤال وجواب إلى منصة عمل مستقلة قادرة على تنفيذ مهام معقدة ومتعددة الخطوات عبر البريد الإلكتروني للمستخدمين والتقويمات ومستودعات الأكواد وتطبيقات المراسلة. يتم تشغيل المنتج بواسطة أحدث طراز رئيسي من OpenAI، وهو GPT-5.6، وهو مصمم ليتجاوز مجرد إنشاء النص. يمكن لـ ChatGPT Work جمع السياق من التطبيقات والملفات وسير العمل المتصلة لإنتاج المستندات وجداول البيانات والعروض التقديمية والتقارير ومواقع الويب النهائية. يأخذ الوكيل النتيجة المعلنة، ويقسمها إلى خطوات أصغر، ويبقى مع المشاريع المعقدة لساعات، ويكملها بشكل مستقل. يمثل الإطلاق أوضح محاولة لـ OpenAI حتى الآن لتغيير موضعها الفصل",
            "body_ar": "أطلقت OpenAI يوم الخميس ChatGPT Work، وهو وكيل ذكاء اصطناعي جديد مضمن داخل برنامج الدردشة الآلي الرئيسي الخاص به والذي يهدف إلى تحويل ChatGPT من أداة سؤال وجواب إلى منصة عمل مستقلة قادرة على تنفيذ مهام معقدة ومتعددة الخطوات عبر البريد الإلكتروني للمستخدمين والتقويمات ومستودعات الأكواد وتطبيقات المراسلة. يتم تشغيل المنتج بواسطة أحدث طراز رئيسي من OpenAI، وهو GPT-5.6، وهو مصمم ليتجاوز مجرد إنشاء النص. يمكن لـ ChatGPT Work جمع السياق من التطبيقات والملفات وسير العمل المتصلة لإنتاج المستندات وجداول البيانات والعروض التقديمية والتقارير ومواقع الويب النهائية. يأخذ الوكيل النتيجة المعلنة، ويقسمها إلى خطوات أصغر، ويبقى مع المشاريع المعقدة لساعات، ويكملها بشكل مستقل. يمثل الإطلاق أوضح محاولة من OpenAI حتى الآن لإعادة وضع ChatGPT كمنصة لمكان العمل بدلاً من chatbot - ويأتي في لحظة ذات أهمية مالية غير عادية للشركة في الشهر الماضي، قدمت OpenAI بشكل سري مسودة بيان تسجيل S-1 إلى هيئة الأوراق المالية والبورصات، لبدء ما يمكن أن يصبح واحدًا من أكبر الاكتتابات العامة الأولية للتكنولوجيا في التاريخ، مع التقييمات المعلنة التي تتراوح بين 730 مليار دولار و852 مليار دولار والإيرادات السنوية التي تجاوزت 25 مليار دولار. في عرض توضيحي قصير ومحادثة مع VentureBeat يوم الجمعة، قال Ty Geri، مدير المنتج في OpenAI الذي ساعد في بناء ChatGPT Work، إن مهمة المنتج هي إضفاء الطابع الديمقراطي على نوع قدرات الذكاء الاصطناعي الوكيل التي أظهرتها بالفعل أداة الهندسة الداخلية لـ OpenAI، Codex. وقال جيري: \"الأمر المثير حقًا هو أننا رأينا مدى قدرة الدستور الغذائي على دفع حدود ما يمكننا إنجازه باستخدام أدوات الذكاء الاصطناعي هذه، بدلاً من مجرد الحصول على معلومات أو إجابات أو إرشادات\". \"إن اعتمادنا الداخلي للدستور الغذائي هو حرفيًا منحنى أسي عبر كل وظيفة منتج وكل حالة استخدام.\" لماذا قامت OpenAI ببناء جهاز افتراضي مستمر يعمل من الشاطئ؟ الرهان المعماري الأساسي وراء ChatGPT Work هو جهاز افتراضي قائم على السحابة يعمل على خوادم OpenAI، وهو متاح دائمًا للمستخدم بغض النظر عن الجهاز الذي يستخدمه. ويمثل ذلك خروجًا متعمدًا عن المنافسين الذين يحتاج عملاؤهم إلى جهاز محلي ليظل قيد التشغيل ومتصلاً. قال جيري: \"الأمر المثير حقًا في ChatGPT Work هو أنه جهاز افتراضي في السحابة متاح لك دائمًا، وهو متاح عبر جميع مستوياتنا المدفوعة\". \"جميع مستخدمي Plus يحصلون على هذا. أعتقد أن هذا جانب فريد جدًا من هذا.\" إن الجانب الأول للهاتف المحمول من عملية الإطلاق هو شيء وصفه جيري بأنه \"مفقود من السوق.\" وأشار إلى القدرة على إنشاء موقع ويب على الهاتف ومشاركته مع المتعاونين كقدرة جديدة بشكل خاص. \"المواقع جديدة بشكل عام على الدستور الغذائي. تم إطلاقها في Codex منذ أسبوع ونصف تقريبًا، لكننا الآن نطلقها أيضًا على الويب والهاتف المحمول. قال: \"يمكنك إنشاء موقع على هاتفك على الشاطئ ومشاركته مع أصدقائك\". سيتم طرح ChatGPT Work بدءًا من مستخدمي Pro وEnterprise وEdu، وسيتوسع ليشمل مستخدمي Plus وBusiness خلال الأيام القليلة المقبلة. وفي المقابلة، أكد جيري على أن توفر المنتج لمشتركي Plus - وليس فقط المستويات المتميزة - يعد أمرًا أساسيًا لاستراتيجية OpenAI. وقال: \"إنها متاحة لجميع الخطط المدفوعة، بما في ذلك مستخدمي Plus، وهو في رأيي إنجاز كبير حقًا، وجزء حقًا من مهمة OpenAI، والتي تدور حول جلب كل هذه القوة لأكبر عدد من الأشخاص\". كيفية ربط مكونات MCP الإضافية بـ ChatGPT Work مع Slack وGmail وGitHub يعتمد المنتج على المكونات الإضافية المستندة إلى MCP للاتصال بخدمات خارجية مثل Gmail وتقويم Google وSlack وGitHub. عندما سئل عما إذا كانت بنية البرنامج المساعد تعتمد على معيار بروتوكول السياق النموذجي، أكد جيري: \"كل هذه تعتمد على MCP.\" وأضاف أن ربط حسابات Gmail المتعددة - وهو طلب متكرر من قبل المستخدم - \"هو بالتأكيد على خريطة الطريق\". تم تصميم التجربة لتكون عملية المنحى من التفاعل الأول. يقدم ChatGPT Work تدفقًا مخصصًا للتأهيل يعرض حالات استخدام مقترحة مختلفة اعتمادًا على دور المستخدم. أظهر جيري كيف أن النظام، الذي اكتشف دوره كمدير منتج، اقترح على الفور مهام مثل تقييم أنظمة الذكاء الاصطناعي، وبناء عناصر البحث، وإدارة التقويم الخاص به. قال جيري: \"يمكنك البدء بمهمة بسيطة مثل التواصل معي على Slack أو Teams أو قراءة تقويم اليوم\". ووصف سيناريو حيث قام النظام بمراجعة التقويم الخاص به، وتحديد تعارضات الجدولة، ووضع علامة على الاجتماعات التي تتطلب التحضير، ثم - بناءً على تعليماته - رفض الأحداث أو قبولها أو إعادة جدولتها مباشرة. يمكن للمستخدمين أيضًا تخصيص الوكيل من خلال تعليمه أسلوب الكتابة الخاص بهم، وتنظيم المخرجات في المشاريع، و- بلمسة أخف- اختيار حيوان أليف افتراضي يرافقهم في الواجهة. تقدم الواجهة أيضًا ميزة موقع الويب المستضاف التي تتيح للمستخدمين إنشاء مواقع تفاعلية ومشاركتها مباشرة من خلال ChatGPT Work، مما يحول ما يمكن أن يكون عادةً مجموعة شرائح ثابتة إلى قطعة أثرية ديناميكية وتعاونية. وقال جيري: \"لدينا الآن فجأة واجهة تعاونية أكثر إثارة ويمكن الوصول إليها بسهولة من مجموعة الشرائح، التي تحتوي على كل قيود التنسيق هذه\". جدولة 10 عمليات لرصد الأخطاء في وقت واحد: كيف تبدو إنتاجية الوكيل عمليًا. يوضح استخدام Geri الخاص لـ ChatGPT Work اتساع نطاق المهام التي يمكن للنظام التعامل معها. وفي الفترة التي سبقت إطلاق المنتج، كان بحاجة إلى تنظيم جلسات اختبار ما قبل الإصدار - المعروفة داخليًا باسم \"هجمات الأخطاء\" - عبر العشرات من الميزات وأعضاء الفريق. \"لقد أتيت للتو إلى ChatGPT Work وأقول: \"قم بإعداد أداة باش لجميع الميزات المميزة في ChatGPT Work\". قال جيري: \"أضف جميع الأشخاص الذين عملوا على هذه الميزة، ويمكنه التحقق من Slack، ويمكنه التحقق من GitHub، ويمكنه التحقق من المستندات، والعثور على الوقت المناسب لأكبر أربعة مساهمين في هذه الميزة\". كان ذلك سيستغرق مني 30 دقيقة على الأقل.\" لكن جيري اعترض على الوصف القائل بأن عمل ChatGPT يقتصر على العمل الإداري الروتيني. ووصف استخدامه في المهام المعقدة من الناحية التحليلية مثل تحديد الأسباب الأكبر لتوقف المستخدم عن ميزات منتج معينة وإنشاء حلول المنتج - وهو العمل الذي قال إنه كان يستغرق شهورًا في السابق. وقال جيري: \"الأشياء التي كنا سنقضي ثلاثة أشهر في القيام بها، يمكننا الآن قضاء أسبوع في القيام بها - والقيام بالمزيد، وصنع منتج أفضل بكثير\". \"الأخطاء التي كنا سنكتشفها بعد ثلاثة أو أربعة أسابيع من الآن، يمكننا الآن العثور عليها في غضون يومين وإصلاحها لمستخدمينا.\" ووصف أيضًا التخلي عن ملل اختبار المنتج نفسه. قال جيري: \"كان من المعتاد أنه على الرغم من أن الجزء الأكثر إثارة للاهتمام في وظيفتي هو ما يجب اختباره، إلا أنه في الواقع ينتهي بي الأمر إلى قضاء معظم وظيفتي في إجراء الاختبار، وهو مثل أخذ الفأرة والنقر على نفس الشيء مرارًا وتكرارًا، مثل خمس مرات\". \"بدلاً من ذلك، يمكنني الآن تحديد ما نريد اختباره، ويمكن لـ ChatGPT Work أو Codex اختباره نيابةً عني، وتسليم لي تقرير الخطأ، وبعد ذلك يمكننا العمل على إصلاح هذا الخطأ.\" ما يقوله OpenAI عن خصوصية البيانات عندما يقرأ الذكاء الاصطناعي Slack والبريد الإلكتروني عند الضغط على مخاوف خصوصية البيانات - نظرًا لأن ChatGPT Work يسحب المعلومات الحساسة من أدوات مكان العمل مثل Slack وGoogle Drive والبريد الإلكتروني - قال جيري إن الخصوصية \"مهمة للغاية، والجزء الأكثر أهمية في هذا هو أنها دائمًا تحت سيطرة المستخدم.\" وأشار إلى البنية التحتية الحالية لأمن المؤسسة في OpenAI، مشيرًا إلى أن \"حسابات المؤسسة بها ZDR، ويمكن للمستخدمين دائمًا إلغاء الاشتراك في السماح لمحادثاتهم بالمساعدة في تحسين النماذج المستقبلية، وهو ما يفعله العديد من المستخدمين.\" يتوافق التعليق مع التأكيدات التي قدمتها OpenAI عندما أطلقت ChatGPT Enterprise لأول مرة في أغسطس 2023، عندما كتبت الشركة في منشور مدونة أنها \"لا تتدرب على بيانات عملك أو محادثاتك\". يحمل سؤال الخصوصية وزن إضافي الآن بسبب الحجم الهائل لبيانات مكان العمل الحساسة التي تم تصميم ChatGPT Work للوصول إليها. على عكس جلسة chatbot حيث يقوم المستخدم بلصق النص طوعًا في موجه، يصل ChatGPT Work بشكل نشط إلى الأنظمة المتصلة - قراءة رسائل Slack، ومسح دعوات التقويم، وسحب تواريخ التزام GitHub - لتجميع السياق لمهامه. ويمثل ذلك مساحة سطح بيانات مختلفة اختلافًا جذريًا عن أي شيء قدمته OpenAI من قبل، وهي منطقة ستقوم فرق أمان المؤسسة بفحصها بعناية قبل منح الوصول. يدخل ChatGPT Work في سباق تسلح ثلاثي مع Anthropic وMicrosoft ChatGPT Work، حيث يهبط بشكل مباشر في وسط ما أصبح ساحة المعركة التنافسية المحددة في الذكاء الاصطناعي للمؤسسات: السباق لبناء وكلاء مستقلين في مكان العمل يمكنهم تجاوز إنشاء النص وتنفيذ المهام فعليًا. يصل المنتج بعد أشهر من إخراج Anthropic لـ Claude Cowork من المعاينة وإتاحته بشكل عام في أبريل، مما جلب وكيل الذكاء الاصطناعي الخاص به إلى منصات الويب والهواتف المحمولة التي تهدف إلى مساعدة مستخدمي المؤسسات على مراقبة وإدارة المهام طويلة الأمد التي تعتمد على الذكاء الاصطناعي من أي مكان. وفي الوقت نفسه، أتاحت Microsoft برنامج Copilot Cowork بشكل عام في جميع أنحاء العالم في 16 يونيو، وقد تم إنشاؤه بالشراكة مع Anthropic للانتقال إلى ما هو أبعد من الدردشة والتنفيذ. تتنافس المنتجات الثلاثة - ChatGPT Work، وClaude Cowork، وMicrosoft Copilot Cowork - الآن بشكل مباشر لجذب انتباه أقسام تكنولوجيا المعلومات في المؤسسة والعاملين في مجال المعرفة الفردية على حدٍ سواء. التقارب ملفت للنظر. تشترك جميع المنتجات الثلاثة في رؤية متشابهة بشكل ملحوظ: وكيل ذكاء اصطناعي مستمر يعمل في السحابة يمكنه تقسيم المهام المعقدة إلى خطوات، والاتصال بأدوات مكان العمل عبر المكونات الإضافية، وإنتاج مخرجات نهائية بدلاً من مجرد ردود محادثة. تعمل الثلاثة جميعًا عبر سطح المكتب والويب والهاتف المحمول. ما يميز نهج OpenAI هو ميزة التوزيع الاستهلاكي الخام. وقد وصل ChatGPT إلى 900 مليون مستخدم نشط أسبوعيًا، ولدى OpenAI الآن 50 مليون مشترك مدفوع الأجر. يعتمد أكثر من 9 ملايين مستخدم تجاري مدفوع الأجر على ChatGPT في العمل، و92% من شركات Fortune 500 تستخدم الآن ChatGPT. من خلال إتاحة ChatGPT Work لمشتركي Plus مقابل 20 دولارًا شهريًا - وليس فقط لعملاء Enterprise أو Pro - تراهن OpenAI على أن إمكانية الوصول الواسعة ستؤدي إلى اعتمادها بشكل أسرع مما يمكن لأي منافس أن يضاهيه. يقول مدير المنتج في OpenAI إن الذكاء الاصطناعي شريك، وليس بديلاً - مع تحذير. عندما سُئل جيري عن التأثير المحتمل على سوق العمل، كان حذرًا في تأطيره. لقد رفض التحدث على نطاق واسع عن اضطراب القوى العاملة، لكنه عرض تجربته الشخصية كمدير منتج تم إعادة تشكيل عمله اليومي بشكل كبير بواسطة الأداة. قال جيري: \"مهمتي ليست جدولة هجمات الأخطاء ومعرفة من ساهم في ميزة معينة. هذه مهمة أقوم بها في وظيفتي، ولكنها ليست وظيفتي\". \"مهمتي هي صنع منتج مذهل.\" ووصف ChatGPT Work بأنه \"شريك\" و\"امتداد لي، وبالتأكيد ليس بديلاً\"، مضيفًا: \"يشعر الجميع بأنهم أكثر إنتاجية بكثير من ذي قبل، لكنهم أيضًا يعملون بجد أكبر من ذي قبل، لأنك ستتمكن من العمل على كل الأشياء التي تريد العمل عليها بدلاً من الكدح المحيط بها\". لكن جيري كان أيضًا حريصًا على عدم التقليل من تعقيد العمل الذي يمكن للوكيل التعامل معه. وقال: \"لا أريد أيضًا أن أقول إنها تقوم فقط بمهام عادية، لأن مثل شيء مثل منحنيات الاحتفاظ بتسلق التل في ميزة معينة ليس أمرًا عاديًا. إنه في الواقع من الصعب القيام به\". التمييز مهم. إذا كان ChatGPT Work يقتصر على أتمتة دعوات التقويم وتقارير النفقات، فسيكون بمثابة أداة ملائمة. إن حقيقة وصف جيري لضغط ثلاثة أشهر من العمل التحليلي للمنتج في أسبوع واحد تشير إلى شيء له آثار أكبر بكثير على كيفية تنظيم الفرق وتزويد الموظفين بها. تحتاج الشركة المرتبطة بالاكتتاب العام إلى عمل ChatGPT لإثبات أن الذكاء الاصطناعي للمؤسسة يمكنه تحقيق إيرادات. من المستحيل فصل توقيت إطلاق ChatGPT Work عن مسار الاكتتاب العام الأولي لـ OpenAI. تحتاج الشركة إلى إثبات قدرتها على تحويل قاعدة مستخدميها الاستهلاكية الضخمة إلى إيرادات مؤسسية دائمة - وهو السرد الذي يصبح أكثر إقناعًا بشكل ملحوظ مع منتج مصمم بشكل واضح حول سير العمل الاحترافي. قالت OpenAI إنها تحقق إيرادات بقيمة 2 مليار دولار شهريًا، وتنمو بمعدل أسرع أربع مرات مما فعلته Alphabet وMeta في مراحل مماثلة، حيث تشكل المؤسسات الآن أكثر من 40٪ من الإيرادات وهي في طريقها للوصول إلى التكافؤ مع المستهلك بحلول نهاية عام 2026. لكن شركة OpenAI لا تزال تتكبد خسائر كبيرة، ولا تتوقع الشركة أن تصل إلى الربحية حتى عام 2030 تقريبًا، حيث تشير التوقعات الداخلية إلى خسائر قدرها 14 مليار دولار في عام 2026 وحده. الديناميكيات التنافسية غير مسبوقة. تقدمت شركة Anthropic بطلب الاكتتاب العام الأولي الخاص بها في الأول من يونيو بتقييم قدره 965 مليار دولار، مما أدى إلى إنشاء قوائم عامة متزامنة من أبرز شركتين ناشئتين في مجال الذكاء الاصطناعي في التاريخ. إن قدرة كل منهما على الحفاظ على تقييماتهما النبيلة تحت رقابة مستثمري السوق العامة ستعتمد إلى حد كبير على ما إذا كانت منتجات مثل ChatGPT Work وClaude Cowork تحقق مكاسب إنتاجية قابلة للقياس لعملاء المؤسسات الذين يدفعون. يتوج الإطلاق أيضًا مسار المنتج الذي بدأ مع ChatGPT Enterprise في أغسطس 2023، وتم تسريعه من خلال إصدار وكيل مشغل OpenAI في يناير 2025، واستمر حتى إهمال المشغل وإغلاقه في 31 أغسطس 2025، عندما تم دمج قدراته في إطار عمل وكيل ChatGPT. يعتبر ChatGPT Work بمثابة دمج لهذه الجهود في منتج واحد موحد - منتج يجمع بين المتغيرات الثلاثة لنماذج GPT-5.6 (Sol للطاقة، وLuna للسرعة، وTerra للاستخدام اليومي المتوازن) مع بيئة سحابية ثابتة ومكتبة موسعة من مكونات MCP الإضافية. ربما يكون مستقبل العمل قيد التشغيل بالفعل في السحابة عندما سئل عما إذا كان ChatGPT Work يشير إلى تحول نحو نوع جديد من أنظمة التشغيل - نظام يتفاعل فيه المستخدمون مع أجهزة الكمبيوتر الخاصة بهم في المقام الأول من خلال وكيل الذكاء الاصطناعي بدلاً من واجهات الماوس ولوحة المفاتيح التقليدية - توقف جيري عن تقديم تنبؤات شاملة. لكنه ألمح إلى الاتجاه الذي تراه شركة OpenAI في المستقبل. وقال: \"سيدرك أي شخص عمل مع Codex أو ChatGPT Work الآن مدى متعة التفاعل مع بيئتك وجهاز الكمبيوتر الخاص بك عبر الوكيل\". \"خاصة في تطبيق سطح المكتب، حيث يتمتع النموذج بإمكانية الوصول إلى جهازك بالكامل ويمكنه التفاعل مع مواقع الويب نيابةً عنك - فهو حقًا قادر على أن يكون امتدادًا لك وشريكًا حقيقيًا، وهذا بالتأكيد يبدو وكأنه المستقبل.\" وفي نهاية المقابلة، عادت جيري إلى الحديث عن شيء شخصي. وقال: \"لم أستمتع بالعمل مطلقًا بقدر ما استمتعت به في الشهر الماضي باستخدام ChatGPT Work وCodex\"، وهو اعتراف مذهل من مدير المنتج الذي، حتى وقت قريب، كان يقضي جزءًا كبيرًا من أيامه في النقر على نفس الواجهة خمس مرات متتالية فقط لمعرفة ما إذا كانت ستتعطل. تطلب OpenAI الآن من 900 مليون مستخدم أن يصدقوا هذا الشعور. بالنسبة لشركة تفصلها أسابيع عن أحد أكبر العروض العامة في التاريخ، فإن الإجابة على هذا السؤال تبلغ قيمتها حوالي 850 دولارًا مليار.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/wall-street-is-debating-the-ai-buildout-enterprises-just-answered-86-say-their-gpus-run-at-half-capacity-or-less",
            "title_en": "Wall Street is debating the AI buildout. Enterprises just answered: 86% say their GPUs run at half capacity or less",
            "summary_en": "Enterprise companies are running AI agents ahead of the controls needed to manage them — and they deployed that way knowingly. That is the central finding from VentureBeat Research's June survey of 573 technical leaders at companies with 100 or more employees, fielded across five parallel surveys of the agentic stack. Enterprises are now retrofitting to catch up with their own standards, and they are budgeting for it: Roughly six in 10 enterprises plan to switch or add vendors in each of five control layers within the next 12 months, and roughly a third — depending on the layer — plan to move within the quarter, the research finds. There are five main layers where enterprises are building: identity for agents (which agent is allowed to do what, under whose credentials); evaluation of ",
            "body_en": "Enterprise companies are running AI agents ahead of the controls needed to manage them — and they deployed that way knowingly. That is the central finding from VentureBeat Research's June survey of 573 technical leaders at companies with 100 or more employees, fielded across five parallel surveys of the agentic stack. Enterprises are now retrofitting to catch up with their own standards, and they are budgeting for it: Roughly six in 10 enterprises plan to switch or add vendors in each of five control layers within the next 12 months, and roughly a third — depending on the layer — plan to move within the quarter, the research finds. There are five main layers where enterprises are building: identity for agents (which agent is allowed to do what, under whose credentials); evaluation of agent output (whether the work is any good); cost telemetry (what each agent costs to run); the context layer (the business data and definitions agents draw on to answer); and the orchestration control plane (the software that coordinates multi-step agent work). Enterprises are already paying the price for deploying agents ahead of adequate control functions. Fifty-four percent of companies had an agent security incident or near-miss caught before harm in the past 12 months. Twenty-seven percent exercise only reactive control of agent spend — they learn what an agent costs when the invoice arrives, with no per-agent budget or ceiling in place. Here are the five findings that anchor the set — one finding per layer of the tech stack — and what the data suggests doing first in each. Expensive hardware is idle: 86% of GPU operators report utilization of 50% or less Eighty-six percent of enterprises that run their own GPUs report utilization of 50% or less. Wall Street has spent the quarter debating whether the AI buildout is overbuilt. This is buy-side measurement, from the enterprises doing the buying, and the research says the most expensive hardware in buildings of these enterprises runs at no more than half its capacity. The measurement gap compounds it: A minority 44% rigorously track what their AI compute actually costs and returns. Everyone else is only estimating. And the enterprise shopping process continues regardless: 45% of these enterprises say the emerging compute option they are most likely to evaluate in the next 12 months is an AI-specialized cloud (CoreWeave, Lambda, Crusoe, Nebius). However, under 2% of these enterprises report using one of these neoclouds today. Moreover, roughly one in three companies appears to be considering a hedge against Nvidia: Asked which emerging compute option they are most likely to evaluate in the next 12 months, 32% of enterprises named non-Nvidia accelerators (AWS Trainium, Google TPUs, AMD), while 28% named next-generation Nvidia GPUs. The data suggests that enterprises should measure the utilization and per-workload cost of the GPUs they already own before committing budget to new compute — whether that's an AI-specialized cloud contract, new accelerators, or more GPUs. Most deployed \"agents\" do single-prompt work: 71% say a quarter or fewer complete multi-step tasks on their own Seventy-one percent of enterprises say a quarter or fewer of their deployed \"agents\" can complete multi-step work on their own; the rest are single-prompt chatbots. Only 10% say true agents are the majority of what they run. To be sure, the respondents reported that they are in a position to know these things: 81% said they recommend or decide AI purchases at their companies. That finding — that most agents are actually just chatbots in trenchcoats — lands amid adoption claims across the industry running well ahead of what enterprises are actually running. Gartner predicted 40% of enterprise applications will be integrated with task-specific AI agents by the end of 2026, up from less than 5% in 2025. It also warned that the most common misconception is referring to these AI assistants as agents, a misunderstanding known as \"agentwashing.\" Meanwhile, Zapier's enterprise survey said 72% reported deploying or testing autonomous agents; and Writer's 2026 survey has 97% of executives saying their company deployed AI agents in the past year. Those surveys asked whether companies have deployed something called an AI agent, and companies said yes. Our survey asked the people running those deployments a harder question: Of the agents you have in production, how many can complete a multi-step task without a person driving each step? The gap matters for two practical reasons. First, the inflated adoption figures are the benchmark boards and vendors use to pressure technical leaders into moving faster — and this data says the real bar is far lower than the headlines suggest. Second, the label determines the bill: A single-prompt chatbot with a human reading every answer needs none of the identity, evaluation, and cost controls this report covers, while a true multi-step agent needs all of them. 66% let agents push to production on automated evals alone — or are engineering toward it. 5% fully trust those evals Two-thirds of enterprises fall into one of two camps: 34% already allow an AI agent to push a code or system change to production based on automated evaluation results alone, with no human reviewing it, and another 33% are actively engineering their pipelines to allow that within the next 12 months. Only five percent fully trust the automated evaluations that would make that decision. The distrust is earned. Half of enterprises shipped an agent that passed internal evaluations and then caused a customer-facing failure in the past year; a quarter watched it happen more than once. Asked to name the biggest weakness in their current evaluations, more enterprises chose “poor alignment with real-world outcomes” than any other answer — 29% of respondents. And most of the checking happens before an agent ships, then stops. Once agents are live with real users, only 23% of enterprises run real-time quality checks on the answers those agents produce. Another 51% monitor system health only — uptime, request traces, and gateway logs — which tells them the agent is running, and nothing about whether its answers are right. The first move: Before removing human review from any workflow, test your evaluations against production outcomes rather than internal benchmarks, and instrument answer quality, not just uptime. This finding is explored in more depth in VentureBeat's related coverage of the evaluation gap , which found that larger enterprises are moving faster toward zero-human deployment while also failing more often — and outlines a regression-testing framework built on production outcomes rather than internal benchmarks. 69% run credential sharing somewhere in the agent fleet — and those companies get hit far more often Sixty-nine percent of companies allow agent credential sharing somewhere in their agent fleet during runtime – meaning multiple agents operating under one API key or service account. Those companies were far more likely to get hit: Organizations with credential sharing anywhere in the fleet experienced a security incident or near-miss at a 63.5% rate (47 of 74), against 40.9% (9 of 22) where every agent has its own scoped identity. The takeaway for enterprises is this: Give every agent its own scoped identity, starting with the agents that touch production systems. 57% traced a confident, wrong agent answer to their own missing or inconsistent business context Fifty-seven percent of enterprises traced at least one confident, wrong agent answer in the past six months to missing or inconsistent business context: wrong metrics, stale definitions, absent documents. Most of them watched it happen more than once. Most enterprise companies are fixing this, even though they’ve moved forward with agent deployment already: 25% already run a governed semantic layer, or one governed definition of the business that every AI reads from, in production. However, 34% are still building one, and 41% haven't started. The takeaway: Govern the definitions your agents answer from, metrics and entities first, before scaling the agents that depend on them. The quarter where agent technology “portability” became a priority One more shift is worth reporting with its limits stated plainly. In our spring orchestration survey wave, the top concern about provider-controlled orchestration was security and permissioning limits (32%). By June, vendor lock-in led at roughly a third, with security limits at 28%. Those are two snapshots one quarter apart, and here’s one possible explanation for why portability became a top issue for enterprises. Our June survey went into market after a June 12 U.S. Commerce Department export order took Anthropic's Claude Fable 5 offline for enterprises for roughly three weeks. Meanwhile, Chinese company Z.ai released GLM-5.2's open weights under an MIT license on June 16 at roughly one-sixth of GPT-5.5's price; and Tencent's Hy3 arrived July 6 under Apache 2.0; and OpenAI previewed GPT-5.6 on June 26 to a small group of government-vetted partners, opening it broadly on July 9 after the government's review cleared. The open-weight releases in particular promise enterprises more control over their agents, and while we haven't established a causal link here, the timing is worth noting. The posture data matches the mood: 51% now expect their primary control plane for enterprise agents to be hybrid — provider-native plus external orchestration — by the end of 2026, up from 34% in the spring survey wave. Enterprises reporting that they rely purely on provider-managed agent services fell from 12% to 7%. Five layers, no incumbents, 12 months The synthesis across all five surveys reveals a huge “buying” window. In each of the five control layers, 57% to 64% of enterprises plan to switch or add vendors within 12 months — 64% in infrastructure and in evaluations, 59% in agent security, 57% in retrieval and context — and 26% to 38%, depending on the layer, plan to move within a quarter. No layer has an established incumbent: The most common evaluation tooling is the model provider's built-in evals, tied with no dedicated tooling at all (17% each); 82% of respondents name provider-native or hyperscaler controls as their primary agent security layer; and provider-native retrieval leads the context technology layer (RAG, etc) as well. Most enterprises are defaulting today to the built-in tools that ship with the big AI platforms they already use: Anthropic, OpenAI, Google, Microsoft, and AWS. That holds true across every one of these agentic technology layers: enterprises are looking to their primary cloud and model providers to supply the guardrails, evaluations, and retrieval solutions already bundled into those providers' offerings. Those defaults are winning on convenience, and they're also what the coming spending decisions will test. The survey didn't ask which direction that money moves — toward the platforms' built-in tools or toward the specialists challenging them — which is exactly why every contract in these five layers is worth watching over the next four quarters. The Q3 survey wave will measure whether the enterprises made good on these budget plans: whether their agents gained scoped identities, whether evaluations got tested against production outcomes, whether GPU utilization rose, and whether the semantic layers under construction shipped. VentureBeat will release the full Q2 reports across all five VB Pulse trackers at VB Transform , July 14–15 at Hotel Nia in Menlo Park, where we convene enterprise technical leaders building autonomous agents in production. Disclosure: VentureBeat produces both this research and VB Transform",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/2h0wdk2i0wZME0744hQS40\/282b7a507e29b9f39dbe33ad85499a8c\/Gemini_Generated_Image_nocstvnocstvnocs.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/wall-street-is-debating-the-ai-buildout-enterprises-just-answered-86-say-their-gpus-run-at-half-capacity-or-less",
            "date": "2026-07-10",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تناقش وول ستريت بناء الذكاء الاصطناعي. أجابت الشركات للتو: 86% يقولون إن وحدات معالجة الرسوميات الخاصة بهم تعمل بنصف سعتها أو أقل",
            "summary_ar": "تقوم شركات المؤسسات بتشغيل وكلاء الذكاء الاصطناعي قبل الضوابط اللازمة لإدارتهم - وقد قاموا بنشرها بهذه الطريقة عن علم. هذه هي النتيجة المركزية التي توصل إليها الاستطلاع الذي أجرته شركة VentureBeat Research في شهر يونيو والذي شمل 573 من القادة التقنيين في الشركات التي تضم 100 موظف أو أكثر، وتم توزيعهم عبر خمس استطلاعات متوازية لمجموعة الوكلاء. تقوم الشركات الآن بالتعديل التحديثي للحاق بمعاييرها الخاصة، وتقوم بإعداد الميزانية لذلك: تخطط ما يقرب من ستة من كل 10 شركات لتبديل أو إضافة البائعين في كل طبقة من طبقات التحكم الخمس خلال الـ 12 شهرًا القادمة، ويخطط الثلث تقريبًا - اعتمادًا على الطبقة - للانتقال خلال ربع السنة، كما وجد البحث. هناك خمس طبقات رئيسية تقوم المؤسسات ببناءها: هوية الوكلاء (أي وكيل يُسمح له بفعل ماذا، وبموجب أوراق اعتماده)؛ تقييم",
            "body_ar": "تقوم شركات المؤسسات بتشغيل وكلاء الذكاء الاصطناعي قبل الضوابط اللازمة لإدارتهم - وقد قاموا بنشرها بهذه الطريقة عن علم. هذه هي النتيجة المركزية التي توصل إليها الاستطلاع الذي أجرته شركة VentureBeat Research في شهر يونيو والذي شمل 573 من القادة التقنيين في الشركات التي تضم 100 موظف أو أكثر، وتم توزيعهم عبر خمس استطلاعات متوازية لمجموعة الوكلاء. تقوم الشركات الآن بالتعديل التحديثي للحاق بمعاييرها الخاصة، وتقوم بإعداد الميزانية لذلك: تخطط ما يقرب من ستة من كل 10 شركات لتبديل أو إضافة البائعين في كل طبقة من طبقات التحكم الخمس خلال الـ 12 شهرًا القادمة، ويخطط الثلث تقريبًا - اعتمادًا على الطبقة - للانتقال خلال ربع السنة، كما وجد البحث. هناك خمس طبقات رئيسية تقوم المؤسسات ببناءها: هوية الوكلاء (أي وكيل يُسمح له بفعل ماذا، وبموجب أوراق اعتماده)؛ تقييم مخرجات الوكيل (ما إذا كان العمل جيدًا)؛ قياس التكلفة عن بعد (تكلفة تشغيل كل وكيل)؛ طبقة السياق (يعتمد عليها وكلاء بيانات الأعمال والتعريفات للإجابة)؛ ومستوى التحكم في التنسيق (البرنامج الذي ينسق عمل الوكيل متعدد الخطوات). وتدفع الشركات بالفعل ثمن نشر الوكلاء قبل القيام بوظائف المراقبة الكافية. تعرضت أربعة وخمسون بالمائة من الشركات لحادث أمني أو حادثة كادت أن تلحق بالوكيل قبل التعرض للضرر خلال الـ 12 شهرًا الماضية. ويمارس سبعة وعشرون بالمائة فقط التحكم التفاعلي في إنفاق الوكيل، حيث يتعلمون تكلفة الوكيل عند وصول الفاتورة، مع عدم وجود ميزانية أو سقف لكل وكيل. فيما يلي النتائج الخمس التي ترتكز عليها المجموعة - اكتشاف واحد لكل طبقة من طبقات التكنولوجيا - وما تقترح البيانات فعله أولاً في كل طبقة. الأجهزة باهظة الثمن خاملة: 86% من مشغلي وحدات معالجة الرسومات يبلغون عن استخدام بنسبة 50% أو أقل. أفاد ستة وثمانون بالمائة من المؤسسات التي تدير وحدات معالجة الرسومات الخاصة بها عن استخدام بنسبة 50% أو أقل. أمضت وول ستريت ربع السنة في مناقشة ما إذا كان بناء الذكاء الاصطناعي مبالغ فيه. هذا هو قياس جانب الشراء، من الشركات التي تقوم بالشراء، ويقول البحث إن أغلى الأجهزة في مباني هذه المؤسسات لا تعمل بأكثر من نصف طاقتها. وتؤدي فجوة القياس إلى تفاقم المشكلة: إذ تتتبع أقلية 44% بدقة التكاليف والعائدات الفعلية لحسابات الذكاء الاصطناعي الخاصة بهم. الجميع مجرد تقدير. وتستمر عملية التسوق المؤسسية بغض النظر عن ذلك: تقول 45% من هذه المؤسسات أن خيار الحوسبة الناشئ الذي من المرجح أن يتم تقييمه خلال الـ 12 شهرًا القادمة هو السحابة المتخصصة في الذكاء الاصطناعي (CoreWeave، وLambda، وCrusoe، وNebius). ومع ذلك، فإن أقل من 2% من هذه الشركات تستخدم إحدى هذه السحابات الجديدة اليوم. علاوة على ذلك، يبدو أن واحدة من كل ثلاث شركات تقريبًا تفكر في التحوط ضد نفيديا: عند سؤالها عن خيار الحوسبة الناشئة الذي من المرجح أن تقيمه في الأشهر الـ 12 المقبلة، اختارت 32% من المؤسسات مسرعات غير تابعة لـ Nvidia (AWS Trainium، وGoogle TPU، وAMD)، في حين سمت 28% الجيل التالي من وحدات معالجة الرسومات Nvidia. تشير البيانات إلى أنه يجب على المؤسسات قياس الاستخدام وتكلفة حمل العمل لوحدات معالجة الرسومات التي تمتلكها بالفعل قبل تخصيص الميزانية للحوسبة الجديدة - سواء كان ذلك عقدًا سحابيًا متخصصًا في الذكاء الاصطناعي، أو مسرعات جديدة، أو المزيد من وحدات معالجة الرسومات. يقوم معظم \"الوكلاء\" المنتشرين بعمل فوري واحد: 71% يقولون أن ربعهم أو أقل يكملون المهام متعددة الخطوات بأنفسهم. يقول 71% من المؤسسات أن ربع \"الوكلاء\" المنتشرين أو أقل يمكنهم إكمال العمل متعدد الخطوات بمفردهم؛ أما الباقي فهو عبارة عن روبوتات محادثة ذات توجيه واحد. 10٪ فقط يقولون أن العملاء الحقيقيين هم غالبية ما يديرونه. من المؤكد أن المشاركين أفادوا أنهم في وضع يسمح لهم بمعرفة هذه الأشياء: قال 81% إنهم يوصون أو يقررون شراء الذكاء الاصطناعي في شركاتهم. هذه النتيجة - التي مفادها أن معظم الوكلاء هم في الواقع مجرد روبوتات محادثة ترتدي معاطف واقية من المطر - تقع وسط مطالبات التبني عبر الصناعة التي تتقدم بشكل كبير على ما تديره الشركات فعليًا. وتوقعت جارتنر أن يتم دمج 40% من تطبيقات المؤسسات مع وكلاء الذكاء الاصطناعي لمهام محددة بحلول نهاية عام 2026، ارتفاعًا من أقل من 5% في عام 2025. كما حذرت من أن المفهوم الخاطئ الأكثر شيوعًا هو الإشارة إلى مساعدي الذكاء الاصطناعي هؤلاء على أنهم عملاء، وهو سوء فهم يُعرف باسم \"غسل العملاء\". وفي الوقت نفسه، ذكر استطلاع Zapier للمؤسسات أن 72% أبلغوا عن نشر أو اختبار عملاء مستقلين؛ واستطلاع Writer's 2026 قال 97% من المديرين التنفيذيين إن شركتهم قامت بنشر عملاء الذكاء الاصطناعي في العام الماضي. سألت تلك الاستطلاعات عما إذا كانت الشركات قد نشرت شيئًا يسمى وكيل الذكاء الاصطناعي، فأجابت الشركات بنعم. طرح استطلاعنا سؤالاً أصعب على الأشخاص الذين يديرون عمليات النشر هذه: من بين الوكلاء لديك في الإنتاج، كم عدد الوكلاء الذين يمكنهم إكمال مهمة متعددة الخطوات دون أن يتولى شخص قيادة كل خطوة؟ وهذه الفجوة مهمة لسببين عمليين. أولاً، أرقام التبني المتضخمة هي اللوحات المعيارية التي يستخدمها البائعون للضغط على القادة التقنيين للتحرك بشكل أسرع - وتشير هذه البيانات إلى أن المعيار الحقيقي أقل بكثير مما توحي به العناوين الرئيسية. ثانيًا، تحدد العلامة الفاتورة: لا يحتاج برنامج الدردشة الآلي الذي يعمل بتوجيه واحد مع إنسان يقرأ كل إجابة إلى أي من عناصر التحكم في الهوية والتقييم والتكلفة التي يغطيها هذا التقرير، في حين يحتاج الوكيل الحقيقي متعدد الخطوات إلى كل هذه العناصر. 66% يسمحون للوكلاء بالدفع إلى الإنتاج بناءً على التقييمات الآلية وحدها - أو يقومون بالهندسة لتحقيق ذلك. 5% يثقون تمامًا بهذه التقييمات يقع ثلثا المؤسسات في أحد المعسكرين: 34% يسمحون بالفعل لوكيل الذكاء الاصطناعي بدفع التعليمات البرمجية أو تغيير النظام إلى الإنتاج بناءً على نتائج التقييم الآلي وحدها، دون أي مراجعة بشرية لها، و33% أخرى تعمل بنشاط على هندسة خطوط الأنابيب الخاصة بهم للسماح بذلك في غضون الـ 12 شهرًا القادمة. خمسة بالمائة فقط يثقون تمامًا بالتقييمات الآلية التي ستتخذ هذا القرار. يتم كسب عدم الثقة. قامت نصف الشركات بشحن وكيل اجتاز التقييمات الداخلية ثم تسبب في فشل في مواجهة العملاء في العام الماضي؛ ربعهم شاهدوا ذلك يحدث أكثر من مرة. عندما طُلب من الشركات تسمية أكبر نقاط الضعف في تقييماتها الحالية، اختارت المزيد من المؤسسات \"ضعف التوافق مع نتائج العالم الحقيقي\" أكثر من أي إجابة أخرى - 29% من المشاركين. ويتم إجراء معظم عمليات التحقق قبل أن يقوم الوكيل بالشحن، ثم يتوقف. بمجرد أن يتواصل الوكلاء مع مستخدمين حقيقيين، تقوم 23% فقط من المؤسسات بإجراء فحوصات الجودة في الوقت الفعلي على الإجابات التي يقدمها هؤلاء الوكلاء. ويراقب 51% آخرون صحة النظام فقط - وقت التشغيل، وتتبع الطلبات، وسجلات البوابة - التي تخبرهم بأن الوكيل قيد التشغيل، ولا شيء عما إذا كانت إجاباته صحيحة. الخطوة الأولى: قبل إزالة المراجعة البشرية من أي سير عمل، اختبر تقييماتك مقابل نتائج الإنتاج بدلاً من المعايير الداخلية وجودة إجابات الأداة، وليس وقت التشغيل فقط. تم استكشاف هذه النتيجة بمزيد من التعمق في تغطية VentureBeat ذات الصلة لفجوة التقييم، والتي وجدت أن المؤسسات الأكبر حجمًا تتحرك بشكل أسرع نحو عدم النشر البشري بينما تفشل أيضًا في كثير من الأحيان - وتحدد إطار اختبار الانحدار المبني على نتائج الإنتاج بدلاً من المعايير الداخلية. 69% من الشركات تقوم بمشاركة بيانات الاعتماد في مكان ما في أسطول الوكلاء - وهذه الشركات تتعرض للضرب في كثير من الأحيان. تسمح 69% من الشركات بمشاركة بيانات اعتماد الوكلاء في مكان ما في أسطول الوكلاء الخاص بهم أثناء وقت التشغيل - مما يعني أن العديد من الوكلاء يعملون تحت مفتاح واجهة برمجة التطبيقات (API) أو حساب خدمة واحد. كانت تلك الشركات أكثر عرضة للتعرض للهجمات: تعرضت المؤسسات التي تشارك بيانات الاعتماد في أي مكان في الأسطول لحادث أمني أو شبه حادث بمعدل 63.5% (47 من 74)، مقابل 40.9% (9 من 22) حيث يكون لكل وكيل هويته الخاصة. والخلاصة بالنسبة للمؤسسات هي كما يلي: امنح كل وكيل هويته الخاصة، بدءًا من الوكلاء الذين يتعاملون مع أنظمة الإنتاج. 57% تتبعوا إجابة وكيل واثقة وخاطئة لسياق أعمالهم المفقود أو غير المتسق. تتبعت 57% من المؤسسات إجابة وكيل واحدة واثقة وخاطئة على الأقل في الأشهر الستة الماضية لسياق العمل المفقود أو غير المتسق: مقاييس خاطئة، وتعريفات قديمة، ومستندات غائبة. معظمهم شاهدوا ذلك يحدث أكثر من مرة. تعمل معظم شركات المؤسسات على إصلاح هذه المشكلة، على الرغم من أنها قد مضت قدمًا في نشر الوكيل بالفعل: 25٪ منها تقوم بالفعل بتشغيل طبقة دلالية محكومة، أو تعريف واحد محكوم للأعمال التي يقرأ منها كل الذكاء الاصطناعي، في الإنتاج. ومع ذلك، فإن 34% ما زالوا يقومون ببناء واحد، و41% لم يبدأوا بعد. الخلاصة: قم بإدارة التعريفات التي يجيب عليها وكلاؤك، والمقاييس والكيانات أولاً، قبل توسيع نطاق الوكلاء الذين يعتمدون عليهم. الربع الذي أصبحت فيه \"قابلية نقل\" تكنولوجيا الوكيل أولوية. هناك تحول آخر يستحق الإبلاغ عنه مع ذكر حدوده بوضوح. في موجة استطلاع التزامن الربيعي، كان الاهتمام الأكبر بشأن التزامن الذي يتحكم فيه مقدم الخدمة هو الأمان وحدود الأذونات (32%). وبحلول يونيو\/حزيران، كان معدل تقييد البائعين يصل إلى الثلث تقريبًا، مع حدود أمنية تبلغ 28%. هناك لقطتان يفصل بينهما ربع واحد، وإليك أحد التفسيرات المحتملة لسبب كون قابلية النقل تمثل مشكلة كبرى بالنسبة للمؤسسات. دخل استطلاعنا لشهر يونيو إلى السوق بعد أن أدى أمر التصدير الذي أصدرته وزارة التجارة الأمريكية في 12 يونيو إلى إيقاف تشغيل Anthropic's Claude Fable 5 للمؤسسات لمدة ثلاثة أسابيع تقريبًا. وفي الوقت نفسه، أصدرت الشركة الصينية Z.ai الأوزان المفتوحة لـGLM-5.2 بموجب ترخيص معهد ماساتشوستس للتكنولوجيا (MIT) في 16 يونيو بسعر تقريبي سدس سعر GPT-5.5؛ ووصل Hy3 من Tencent في 6 يوليو تحت Apache 2.0؛ وقام OpenAI بمعاينة GPT-5.6 في 26 يونيو لمجموعة صغيرة من الشركاء الذين تم فحصهم من قبل الحكومة، وفتحه على نطاق واسع في 9 يوليو بعد موافقة الحكومة على المراجعة. تعد الإصدارات ذات الوزن المفتوح على وجه الخصوص المؤسسات بمزيد من التحكم في وكلائها، وبينما لم نقم بإنشاء علاقة سببية هنا، فإن التوقيت جدير بالملاحظة. تتوافق بيانات الوضع مع الحالة المزاجية: يتوقع 51% الآن أن تكون مستوى التحكم الأساسي الخاص بهم لوكلاء المؤسسات مختلطًا - مزود الخدمة الأصلي بالإضافة إلى التنسيق الخارجي - بحلول نهاية عام 2026، ارتفاعًا من 34% في موجة استطلاع الربيع. وانخفضت نسبة الشركات التي أبلغت عن اعتمادها بشكل كامل على خدمات الوكلاء التي يديرها مقدمو الخدمات من 12% إلى 7%. خمس طبقات، بدون شاغلي الوظائف، 12 شهرًا يكشف التوليف عبر جميع المسوحات الخمسة عن نافذة \"شراء\" ضخمة. في كل طبقة من طبقات التحكم الخمس، تخطط 57% إلى 64% من المؤسسات لتبديل الموردين أو إضافتهم في غضون 12 شهرًا - 64% في البنية التحتية وفي التقييمات، و59% في أمن الوكلاء، و57% في الاسترجاع والسياق - و26% إلى 38%، اعتمادًا على الطبقة، تخطط للانتقال خلال ربع سنة. لا توجد طبقة لديها شاغل ثابت: أدوات التقييم الأكثر شيوعًا هي التقييمات المضمنة لموفر النموذج، المرتبطة بدون أدوات مخصصة على الإطلاق (17% لكل منها)؛ 82% من المشاركين يسمون عناصر التحكم الأصلية أو أدوات التحكم الفائقة كطبقة أمان الوكيل الأساسية الخاصة بهم؛ ويقود استرجاع الموفر الأصلي طبقة تكنولوجيا السياق (RAG، وما إلى ذلك) أيضًا. تلجأ معظم المؤسسات اليوم إلى الأدوات المدمجة التي تأتي مع منصات الذكاء الاصطناعي الكبيرة التي تستخدمها بالفعل: Anthropic، وOpenAI، وGoogle، وMicrosoft، وAWS. وينطبق هذا على كل طبقة من طبقات التكنولوجيا الوكيلة هذه: تتطلع المؤسسات إلى موفري الخدمات السحابية والنماذج الأساسيين لتوفير حواجز الحماية والتقييمات وحلول الاسترجاع المجمعة بالفعل في عروض هؤلاء المزودين. تفوز هذه الحالات الافتراضية من خلال الراحة، وهي أيضًا ما ستختبره قرارات الإنفاق القادمة. لم يسأل الاستطلاع عن الاتجاه الذي تتحرك فيه الأموال - نحو الأدوات المدمجة في المنصات أو نحو المتخصصين الذين يتحدونها - وهذا هو بالضبط السبب وراء أن كل عقد في هذه الطبقات الخمس يستحق المراقبة على مدار الأرباع الأربعة القادمة. ستقيس موجة المسح في الربع الثالث ما إذا كانت الشركات قد حققت أداءً جيدًا في خطط الميزانية هذه: ما إذا كان وكلاؤها قد حصلوا على هويات محددة النطاق، وما إذا تم اختبار التقييمات مقابل نتائج الإنتاج، وما إذا كان استخدام وحدة معالجة الرسومات قد ارتفع، وما إذا تم شحن الطبقات الدلالية قيد الإنشاء. ستصدر VentureBeat تقارير الربع الثاني الكاملة عبر جميع أجهزة تتبع VB Pulse الخمسة في VB Transform، في الفترة من 14 إلى 15 يوليو في فندق Nia في مينلو بارك، حيث نجتمع مع القادة الفنيين للمؤسسات لبناء وكلاء مستقلين في الإنتاج. الإفصاح: تنتج VentureBeat كلاً من هذا البحث وVB تحويل",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/enterprise-ai-is-entering-an-evaluation-gap-agents-are-gaining-autonomy-faster-than-companies-can-verify-them",
            "title_en": "Enterprise AI is entering an evaluation gap: Agents are gaining autonomy faster than companies can verify them",
            "summary_en": "Enterprise AI teams are giving agents more freedom at the same moment their confidence in automated testing is collapsing. Half of enterprises have deployed an AI agent or LLM feature that passed internal evaluations and yet still caused a customer-facing failure — one in four more than once — according to the June 2026 VB Pulse survey of 157 qualified enterprise respondents at companies with 100 or more employees. The sample is self-selected rather than a probability sample, so the findings should be read as directional, not precise. But enterprises are not responding by slowing automation: 66% of respondents already permit some production deployment without human review or are building systems intended to do so within the next 12 months. Only 5% say they fully trust the automated evaluat",
            "body_en": "Enterprise AI teams are giving agents more freedom at the same moment their confidence in automated testing is collapsing. Half of enterprises have deployed an AI agent or LLM feature that passed internal evaluations and yet still caused a customer-facing failure — one in four more than once — according to the June 2026 VB Pulse survey of 157 qualified enterprise respondents at companies with 100 or more employees. The sample is self-selected rather than a probability sample, so the findings should be read as directional, not precise. But enterprises are not responding by slowing automation: 66% of respondents already permit some production deployment without human review or are building systems intended to do so within the next 12 months. Only 5% say they fully trust the automated evaluations that would make those release decisions. That mismatch is the evaluation gap: the autonomy ceiling is rising faster than the assurance beneath it. It also fits a broader thesis that will be explored at VB Transform 2026 : enterprises ship agents first, while the control layers around identity, evaluation, cost, context and orchestration are arriving later. The next year will be a retrofit cycle, with buyers shifting budget toward the systems that make agentic deployments governable and dependable. Why a passing evaluation is not a working agent Traditional software testing usually asks whether a defined input produces an expected output. Agent testing is harder because the system may choose its own sequence of steps, call tools, retrieve data, alter state and respond differently from one run to the next. An agent can make several individually plausible decisions and still reach the wrong result. It may retrieve the correct account but update the wrong field. It may draft a valid refund request but send it without approval. It may call five tools successfully before a sixth step leaks sensitive information or leaves a workflow incomplete. The survey shows enterprises already recognize this limitation. The most common reason for distrusting automated evaluation is poor alignment with real-world outcomes, cited by 29% of respondents. Bias or inconsistency follows at 21%, lack of explainability at 18%, and data leakage or privacy concerns at 17%. That hierarchy matters. Enterprises are saying the score often does not predict what happens when a customer, employee or business process encounters the agent in production — not that automated scoring is too slow or expensive. NIST makes a similar point in its Generative AI Profile : measurements gathered in controlled environments may not transfer cleanly to deployment because behavior changes with prompts, users, context and operating conditions. Its guidance calls for field testing, post-deployment monitoring and clear processes for escalating failures. Capability is not consistency A single successful run proves that an agent can complete a task. It does not prove that it will complete the task reliably. Anthropic’s guidance on agent evaluation distinguishes between measuring whether a system succeeds at least once across repeated attempts and whether it succeeds every time. That distinction is essential for customer-facing or operational workflows. A model that occasionally produces an excellent answer may still be unacceptable if the same task fails unpredictably on the next attempt. Enterprise teams should therefore treat repeatability as a first-class metric. That means running the same scenario multiple times, varying phrasing and context, testing tool failures, and measuring whether the final business outcome remains correct even when the route changes. The evaluation set also has to evolve. Every production incident should become a permanent regression test. Customer escalations, failed tool calls, incorrect approvals and data-handling mistakes should feed back into the pre-deployment suite rather than remaining isolated support cases. Autonomy should expand by risk, not by ambition The survey does not imply that every agent action should require a person. Human review cannot scale across millions of low-consequence decisions. But zero-human operation should be earned by demonstrated reliability and bounded by the consequences of failure. Low-risk actions such as drafting internal summaries or categorizing documents can tolerate broader autonomy. Financial transactions, customer communications, code deployment, access-control changes and data deletion need stricter thresholds, repeated consistency tests, policy checks, rollback mechanisms and clear human escalation paths. The risk isn't evenly distributed by company size, either. Larger enterprises — those with 2,500 or more employees — are moving toward zero-human deployment fastest, at 70% versus 64% for smaller companies, and they're also shipping more agents that go on to fail a customer, at 54% versus 48%. That is the warning for enterprise leaders. Removing the human from the loop does not remove uncertainty. Without stronger assurance, it converts uncertainty into an automated production decision. The market will keep pushing toward greater autonomy because the economic incentive is real. The organizations best positioned won't be those that remove people fastest — they'll be the ones that treat repeatability and regression testing as seriously as deployment speed.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/3nn8GGb6DbEWqByPAqefF2\/8be52aec3ad8e0ace9614b990346fe6d\/Gemini_Generated_Image_nipooinipooinipo.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/enterprise-ai-is-entering-an-evaluation-gap-agents-are-gaining-autonomy-faster-than-companies-can-verify-them",
            "date": "2026-07-10",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يدخل الذكاء الاصطناعي المؤسسي في فجوة تقييم: يكتسب الوكلاء الاستقلالية بشكل أسرع من قدرة الشركات على التحقق منهم",
            "summary_ar": "تمنح فرق الذكاء الاصطناعي للمؤسسات الوكلاء مزيدًا من الحرية في نفس اللحظة التي تنهار فيها ثقتهم في الاختبار الآلي. قامت نصف المؤسسات بنشر وكيل الذكاء الاصطناعي أو ميزة LLM التي اجتازت التقييمات الداخلية ومع ذلك تسببت في فشل في مواجهة العملاء - واحد من كل أربعة أكثر من مرة - وفقًا لاستطلاع VB Pulse في يونيو 2026 الذي شمل 157 مؤسسة مؤهلة في الشركات التي لديها 100 موظف أو أكثر. يتم اختيار العينة ذاتيًا وليست عينة احتمالية، لذا يجب قراءة النتائج على أنها اتجاهية وليست دقيقة. لكن الشركات لا تستجيب من خلال إبطاء الأتمتة: إذ يسمح 66% من المشاركين بالفعل بنشر بعض الإنتاج دون مراجعة بشرية أو يقومون ببناء أنظمة تهدف إلى القيام بذلك خلال الأشهر الـ 12 المقبلة. وقال 5% فقط أنهم يثقون تماماً بالأتمتة تقييم",
            "body_ar": "تمنح فرق الذكاء الاصطناعي للمؤسسات الوكلاء مزيدًا من الحرية في نفس اللحظة التي تنهار فيها ثقتهم في الاختبار الآلي. قامت نصف المؤسسات بنشر وكيل الذكاء الاصطناعي أو ميزة LLM التي اجتازت التقييمات الداخلية ومع ذلك تسببت في فشل في مواجهة العملاء - واحد من كل أربعة أكثر من مرة - وفقًا لاستطلاع VB Pulse في يونيو 2026 الذي شمل 157 مؤسسة مؤهلة في الشركات التي لديها 100 موظف أو أكثر. يتم اختيار العينة ذاتيًا وليست عينة احتمالية، لذا يجب قراءة النتائج على أنها اتجاهية وليست دقيقة. لكن الشركات لا تستجيب من خلال إبطاء الأتمتة: إذ يسمح 66% من المشاركين بالفعل بنشر بعض الإنتاج دون مراجعة بشرية أو يقومون ببناء أنظمة تهدف إلى القيام بذلك خلال الأشهر الـ 12 المقبلة. قال 5% فقط أنهم يثقون تمامًا في التقييمات الآلية التي ستتخذ قرارات الإصدار هذه. ويمثل عدم التطابق هذا فجوة التقييم: إذ إن سقف الاستقلالية يرتفع بسرعة أكبر من الضمانات التي تحته. كما أنه يناسب أطروحة أوسع سيتم استكشافها في VB Transform 2026: تقوم المؤسسات بشحن الوكلاء أولاً، بينما تصل طبقات التحكم حول الهوية والتقييم والتكلفة والسياق والتنسيق لاحقًا. سيكون العام المقبل بمثابة دورة تحديثية، حيث يقوم المشترون بتحويل الميزانية نحو الأنظمة التي تجعل عمليات النشر الوكلاءية قابلة للتحكم ويمكن الاعتماد عليها. لماذا لا يعد التقييم الناجح عاملاً فعالاً عادةً ما يسأل اختبار البرامج التقليدية ما إذا كان المدخل المحدد ينتج مخرجات متوقعة. يعد اختبار الوكيل أكثر صعوبة لأن النظام قد يختار تسلسل الخطوات الخاص به وأدوات الاتصال واسترداد البيانات وتغيير الحالة والاستجابة بشكل مختلف من تشغيل إلى آخر. يمكن للوكيل أن يتخذ عدة قرارات معقولة بشكل فردي ويصل إلى نتيجة خاطئة. قد يقوم باسترداد الحساب الصحيح ولكن يقوم بتحديث الحقل الخطأ. ويجوز لها صياغة طلب استرداد صالح ولكن إرساله دون موافقة. قد يستدعي خمس أدوات بنجاح قبل أن تؤدي الخطوة السادسة إلى تسرب معلومات حساسة أو ترك سير العمل غير مكتمل. ويظهر الاستطلاع أن الشركات تدرك بالفعل هذا القيد. السبب الأكثر شيوعًا لعدم الثقة في التقييم الآلي هو ضعف التوافق مع نتائج العالم الحقيقي، حسبما ذكر 29% من المشاركين. ويتبع ذلك التحيز أو عدم الاتساق بنسبة 21%، وعدم وجود تفسير بنسبة 18%، وتسرب البيانات أو المخاوف المتعلقة بالخصوصية بنسبة 17%. هذا التسلسل الهرمي مهم. تقول الشركات إن النتيجة في كثير من الأحيان لا تتنبأ بما يحدث عندما يواجه العميل أو الموظف أو العملية التجارية الوكيل في الإنتاج - وليس أن التسجيل الآلي بطيء جدًا أو مكلف. تشير NIST إلى نقطة مماثلة في ملف تعريف الذكاء الاصطناعي التوليدي الخاص بها: قد لا يتم نقل القياسات المجمعة في بيئات خاضعة للرقابة بشكل نظيف إلى النشر لأن السلوك يتغير مع المطالبات والمستخدمين والسياق وظروف التشغيل. وتدعو توجيهاتها إلى إجراء اختبارات ميدانية ومراقبة ما بعد النشر وعمليات واضحة لتصعيد حالات الفشل. القدرة ليست اتساقًا، فالتشغيل الناجح لمرة واحدة يثبت أن الوكيل يمكنه إكمال المهمة. ولا يثبت أنه سيكمل المهمة بشكل موثوق. تميز إرشادات الأنثروبيك بشأن تقييم الوكيل بين قياس ما إذا كان النظام ينجح مرة واحدة على الأقل عبر المحاولات المتكررة وما إذا كان ينجح في كل مرة. يعد هذا التمييز ضروريًا للتعامل مع العملاء أو سير العمل التشغيلي. قد يظل النموذج الذي ينتج أحيانًا إجابة ممتازة غير مقبول إذا فشلت نفس المهمة بشكل غير متوقع في المحاولة التالية. ولذلك يجب على فرق المؤسسة التعامل مع التكرار كمقياس من الدرجة الأولى. وهذا يعني تشغيل نفس السيناريو عدة مرات، وتغيير الصياغة والسياق، واختبار فشل الأداة، وقياس ما إذا كانت نتيجة العمل النهائية تظل صحيحة حتى عندما يتغير المسار. يجب أيضًا أن تتطور مجموعة التقييم. يجب أن يصبح كل حادث إنتاج بمثابة اختبار تراجع دائم. يجب أن يتم إرجاع عمليات تصعيد العملاء واستدعاءات الأدوات الفاشلة والموافقات غير الصحيحة وأخطاء معالجة البيانات إلى مجموعة ما قبل النشر بدلاً من حالات الدعم المعزولة المتبقية. يجب أن تتوسع الاستقلالية من خلال المخاطرة، وليس من خلال الطموح. لا يعني الاستطلاع أن كل عمل يقوم به العميل يجب أن يتطلب شخصًا. لا يمكن للمراجعة البشرية أن تشمل ملايين القرارات ذات العواقب المنخفضة. ولكن يجب أن يتم تحقيق العملية الخالية من البشر من خلال موثوقية مثبتة ومقيدة بعواقب الفشل. يمكن للإجراءات منخفضة المخاطر مثل صياغة الملخصات الداخلية أو تصنيف المستندات أن تتحمل استقلالية أوسع. تحتاج المعاملات المالية واتصالات العملاء ونشر التعليمات البرمجية وتغييرات التحكم في الوصول وحذف البيانات إلى عتبات أكثر صرامة واختبارات اتساق متكررة وفحوصات السياسة وآليات التراجع ومسارات تصعيد بشرية واضحة. ولا يتم توزيع المخاطر بالتساوي حسب حجم الشركة أيضًا. تتجه المؤسسات الأكبر حجمًا - تلك التي تضم 2500 موظف أو أكثر - نحو عدم استخدام أي موظف بشكل أسرع، بنسبة 70% مقابل 64% للشركات الأصغر، كما أنها تقوم أيضًا بشحن المزيد من الوكلاء الذين يستمرون في فشل العميل، بنسبة 54% مقابل 48%. هذا هو التحذير لقادة الأعمال. إن إخراج الإنسان من الحلقة لا يزيل عدم اليقين. وبدون ضمان أقوى، فإنه يحول عدم اليقين إلى قرار إنتاج آلي. وسوف تستمر السوق في الدفع نحو قدر أكبر من الاستقلالية لأن الحافز الاقتصادي حقيقي. لن تكون المؤسسات التي تتمتع بموقع أفضل هي تلك التي تزيل الأشخاص بشكل أسرع - بل ستكون هي التي تتعامل مع التكرار واختبار الانحدار بنفس القدر من الجدية مثل النشر سرعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/googles-tabfm-skips-per-dataset-training-and-still-predicts-on-tables-its-never-seen",
            "title_en": "Google's TabFM skips per-dataset training and still predicts on tables it's never seen",
            "summary_en": "The vast majority of business data is tabular — living in data warehouses, CRMs, and financial ledgers — yet building a reliable model from it still means training a new one from scratch for every dataset, then maintaining hyperparameter tuning loops, feature engineering, and retraining pipelines to fight data drift. Google Research is proposing a way around that: a new foundation model called TabFM that treats tabular prediction as an in-context learning problem instead. It can generate predictions for a new, unseen table in a single forward pass. For enterprise developers and AI engineers, this reduces the time-to-production from weeks of pipeline engineering to a single API call. The challenge with traditional ML To extract reliable predictions from a gradient-boosted tree, data scienti",
            "body_en": "The vast majority of business data is tabular — living in data warehouses, CRMs, and financial ledgers — yet building a reliable model from it still means training a new one from scratch for every dataset, then maintaining hyperparameter tuning loops, feature engineering, and retraining pipelines to fight data drift. Google Research is proposing a way around that: a new foundation model called TabFM that treats tabular prediction as an in-context learning problem instead. It can generate predictions for a new, unseen table in a single forward pass. For enterprise developers and AI engineers, this reduces the time-to-production from weeks of pipeline engineering to a single API call. The challenge with traditional ML To extract reliable predictions from a gradient-boosted tree, data scientists must build and maintain complex data pipelines. They have to clean messy inputs, impute missing values, encode categorical variables into numerical formats, and engineer custom feature crosses. Once the data is ready, they must run repetitive hyperparameter optimization loops, searching across learning rates, tree depths, subsampling ratios, and regularization grids to find the best configuration. Once deployed, these traditional models \"incur ongoing operational debt through data drift monitoring and retraining pipelines to stay accurate,\" Weihao Kong, Research Scientist at Google Research, told VentureBeat. Meanwhile, the rest of the AI industry has moved on. Generative AI models for text and computer vision have seamlessly shifted to zero-shot inference, where a model can perform a completely new task simply by being prompted with context. Large language models (LLMs) already excel at in-context learning , so why can't we just feed tables into an off-the-shelf LLM? Because LLMs are trained on natural language rather than structured data, they struggle to process tables directly. First, their context limits are exhausted quickly by medium-sized tables containing just a few thousand rows and hundreds of columns. Second, LLMs suffer from tokenization inefficiency, awkwardly splitting numerical values and destroying mathematical precision. Finally, they suffer from structural blindness. When a 2D table is serialized as a 1D text string, LLMs lose track of which value belongs to which row and column as the table grows. \"That's why, today, it is far more effective to use an LLM to write the code that handles feature engineering and calls XGBoost than to ask the LLM to read the table itself,\" Kong said. What is TabFM? To run inference with TabFM, you do not update any model weights. Instead, you take your historical examples (the training rows with their known labels) and your target rows (the new data you want to predict) and pass them to the model as a single, unified prompt. The model learns to interpret the relationships between columns and rows directly from this context at runtime. For example, consider an enterprise analyst trying to predict customer churn. Instead of building a bespoke data pipeline and training an XGBoost model, they can simply pass a sample of historical user session data alongside a new, active session into TabFM. In one forward pass, the model returns an instant churn probability. TabFM overcomes the limitations of LLMs by treating the data as a grid, preserving its structural integrity without forcing it into a single-dimensional text string. To effectively process diverse tabular structures while enabling scalable zero-shot prediction, TabFM synthesizes the strengths of earlier experimental architectures, TabPFN and TabICL. TabPFN , developed by Prior Labs, first proved that a transformer architecture could perform zero-shot classification on small tables, though it struggled to scale computationally to larger datasets. Later, TabICL , developed by France's National Research Institute for Digital Science and Technology, addressed this bottleneck by introducing row compression, allowing in-context learning to efficiently process much larger tables. TabFM combines TabPFN's deep feature contextualization with TabICL's efficient compression into a novel hybrid design built on three key mechanisms: 1. Alternating row and column attention: The raw table is first processed through a multilayer attention module that alternates across both columns (features) and rows (examples). By continuously attending across these two dimensions, the model natively captures complex feature interactions. This deep contextualization does the heavy lifting that would usually require tedious manual feature crafting by data scientists. 2. Row compression: Following this contextualization, the cross-attended information for each row is compressed into a single, dense vector representation. TabICL pioneered this by using CLS tokens to compress a row's rich information into one vector, \"in contrast to TabPFN v2, v2.5, and v2.6, which attend over the full cell grid throughout the network,\" Kong explained. This drastically shrinks the computational footprint. 3. In-context learning (ICL): A causal Transformer then operates on this sequence of compressed embeddings. This Transformer model uses the attention mechanism of TabICL to attend over these dense row vectors, drastically reducing the computation cost and allowing the model to process large datasets efficiently. A major selling point of TabFM is its pretraining recipe. The model was trained entirely on hundreds of millions of synthetic datasets. These datasets were dynamically generated using structural causal models (SCMs) that incorporate a wide variety of random functions. By training exclusively on synthetic SCMs, TabFM learned the fundamental mathematical priors of how tabular features interact without ingesting real-world, confidential CSV files. TabFM in action To test the model's capabilities, Google researchers benchmarked TabFM on TabArena, a comprehensive evaluation suite spanning 51 diverse tabular datasets across 38 classification and 13 regression tasks. On these public benchmarks, TabFM's zero-shot predictions already match or beat heavily tuned supervised baselines. However, Google is careful to note that this does not automatically mean TabFM will universally dethrone bespoke, hyper-optimized production models on every enterprise workload. \"Instead of replacing hyper-optimized production models, the true practical business value it unlocks for lean engineering teams is velocity,\" Kong said. \"It allows data analysts and backend engineers to instantly spin up high-quality baseline models without a dedicated data science team managing a complex lifecycle.\" For advanced practitioners looking to squeeze out maximum accuracy, the research team also introduced a \"TabFM-Ensemble\" configuration. By running the model through 32 distinct variations and blending the results, TabFM pushes the performance even further. Getting started, trade-offs, and the cloud future The shift to in-context learning for tables introduces a new economic trade-off that engineering teams must consider. With traditional algorithms, training is slow and expensive, but inference is lightning-fast and cheap. TabFM flips this dynamic. While training time drops to zero, inference becomes significantly heavier. Because the model must process the entire historical dataset as context during every single prediction, it requires more compute and memory at runtime. In this new paradigm, \"traditional machine learning training becomes the 'prefill' phase (KV caching) in the context window,\" Kong said. While this prefill cost is steep, it is paid only once per table, and the cache is reused across subsequent queries. \"The catch is prediction latency, which no amount of caching removes,\" Kong added. Every new prediction requires a pass through a large transformer. \"Any production API requiring single-digit-millisecond response times cannot tolerate TabFM's forward-pass overhead.\" For developers looking to evaluate the model today, the barrier to entry is low. Google designed TabFM as a drop-in replacement for traditional ML workflows, offering a scikit-learn compatible API (TabFMClassifier and TabFMRegressor). It natively handles mixed numerical and categorical columns, works directly with pandas DataFrames, and requires no manual ordinal encoders or numerical scalers. The library supports both JAX and PyTorch backends. However, enterprise teams need to be aware of current limitations and licensing restrictions. The model architecture has a hard limit of 10 output classes for classification tasks, and it is optimized for tables with up to 500 features. More importantly, while Google released the underlying codebase under the permissive Apache 2.0 license, the pre-trained model weights are published on Hugging Face under a strict tabfm-non-commercial-v1.0 license. Developers can evaluate the model internally, but it cannot be deployed in commercial products yet. Looking ahead, Google is addressing the commercial deployment friction through its cloud ecosystem. TabFM is being integrated directly into Google BigQuery, allowing analysts to run zero-shot predictions natively via an “AI.PREDICT” command. By putting foundation model inference right next to the data warehouse, TabFM could soon make complex tabular machine learning as accessible as a basic database query. In practice, TabFM shines in rapid prototyping, high data drift environments, and small to medium-sized datasets under 100,000 rows. Conversely, teams should stick to traditional models for strict, ultra-low latency APIs, or massive tables exceeding one million rows, which currently require aggressive row sampling that degrades the foundation model's competitive advantage.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/4VjIL7MxqMo55zqaoGOo2T\/231e1e8c686502c3ac895c72b70a8cfe\/Tabular_data.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/googles-tabfm-skips-per-dataset-training-and-still-predicts-on-tables-its-never-seen",
            "date": "2026-07-10",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يتخطى TabFM من Google التدريب على كل مجموعة بيانات ولا يزال يتنبأ بالجداول التي لم يتم رؤيتها من قبل",
            "summary_ar": "الغالبية العظمى من بيانات الأعمال جدولية - تعيش في مستودعات البيانات، وإدارة علاقات العملاء، والدفاتر المالية - ومع ذلك فإن بناء نموذج موثوق منها لا يزال يعني تدريب نموذج جديد من الصفر لكل مجموعة بيانات، ثم الحفاظ على حلقات ضبط المعلمات الفائقة، وهندسة الميزات، وإعادة تدريب خطوط الأنابيب لمكافحة انحراف البيانات. يقترح بحث Google طريقة للتغلب على ذلك: نموذج أساسي جديد يسمى TabFM يتعامل مع التنبؤ الجدولي باعتباره مشكلة تعليمية في السياق بدلاً من ذلك. يمكنه إنشاء تنبؤات لجدول جديد غير مرئي في تمريرة أمامية واحدة. بالنسبة لمطوري المؤسسات ومهندسي الذكاء الاصطناعي، يؤدي ذلك إلى تقليل الوقت اللازم للإنتاج من أسابيع من هندسة خطوط الأنابيب إلى استدعاء واجهة برمجة التطبيقات (API) واحد. التحدي مع ML التقليدي لاستخراج تنبؤات موثوقة من بيانات شجرة معززة بالتدرج العلوم",
            "body_ar": "الغالبية العظمى من بيانات الأعمال جدولية - تعيش في مستودعات البيانات، وإدارة علاقات العملاء، والدفاتر المالية - ومع ذلك فإن بناء نموذج موثوق منها لا يزال يعني تدريب نموذج جديد من الصفر لكل مجموعة بيانات، ثم الحفاظ على حلقات ضبط المعلمات الفائقة، وهندسة الميزات، وإعادة تدريب خطوط الأنابيب لمكافحة انحراف البيانات. يقترح بحث Google طريقة للتغلب على ذلك: نموذج أساسي جديد يسمى TabFM يتعامل مع التنبؤ الجدولي باعتباره مشكلة تعليمية في السياق بدلاً من ذلك. يمكنه إنشاء تنبؤات لجدول جديد غير مرئي في تمريرة أمامية واحدة. بالنسبة لمطوري المؤسسات ومهندسي الذكاء الاصطناعي، يؤدي ذلك إلى تقليل الوقت اللازم للإنتاج من أسابيع من هندسة خطوط الأنابيب إلى استدعاء واجهة برمجة التطبيقات (API) واحد. التحدي المتمثل في تعلم الآلة التقليدي لاستخراج تنبؤات موثوقة من شجرة معززة بالتدرج، يجب على علماء البيانات بناء خطوط أنابيب بيانات معقدة والحفاظ عليها. يتعين عليهم تنظيف المدخلات الفوضوية، واحتساب القيم المفقودة، وترميز المتغيرات الفئوية إلى تنسيقات رقمية، وهندسة تقاطعات الميزات المخصصة. بمجرد أن تصبح البيانات جاهزة، يجب عليهم تشغيل حلقات تحسين المعلمات الفائقة المتكررة، والبحث عبر معدلات التعلم، وأعماق الأشجار، ونسب المعاينة الفرعية، وشبكات التنظيم للعثور على أفضل تكوين. وقال ويهاو كونغ، عالم الأبحاث في Google Research، لموقع VentureBeat، إنه بمجرد نشر هذه النماذج التقليدية، \"تتحمل ديونًا تشغيلية مستمرة من خلال مراقبة انجراف البيانات وإعادة تدريب خطوط الأنابيب لتظل دقيقة\". وفي الوقت نفسه، انتقلت بقية صناعة الذكاء الاصطناعي إلى الأمام. لقد تحولت نماذج الذكاء الاصطناعي التوليدية للنص ورؤية الكمبيوتر بسلاسة إلى الاستدلال الصفري، حيث يمكن للنموذج أن يؤدي مهمة جديدة تمامًا بمجرد مطالبته بالسياق. نماذج اللغات الكبيرة (LLMs) تتفوق بالفعل في التعلم ضمن السياق، فلماذا لا يمكننا فقط إدخال الجداول في LLM جاهزة؟ ونظرًا لأن طلاب ماجستير اللغة يتم تدريبهم على اللغة الطبيعية بدلاً من البيانات المنظمة، فإنهم يواجهون صعوبة في معالجة الجداول مباشرة. أولاً، يتم استنفاد حدود سياقها بسرعة من خلال الجداول متوسطة الحجم التي تحتوي على بضعة آلاف من الصفوف ومئات الأعمدة فقط. ثانيًا، يعاني طلاب ماجستير القانون من عدم كفاءة الترميز، مما يؤدي إلى تقسيم القيم العددية بشكل غريب وتدمير الدقة الرياضية. وأخيرا، فإنهم يعانون من العمى الهيكلي. عندما يتم إجراء تسلسل لجدول ثنائي الأبعاد كسلسلة نصية أحادية الأبعاد، تفقد LLMs تتبع القيمة التي تنتمي إلى أي صف وعمود مع نمو الجدول. قال كونغ: \"لهذا السبب، أصبح اليوم استخدام LLM لكتابة التعليمات البرمجية التي تتعامل مع هندسة الميزات واستدعاء XGBoost أكثر فعالية بكثير من مطالبة LLM بقراءة الجدول نفسه\". ما هو تاب اف ام؟ لتشغيل الاستدلال باستخدام TabFM، لا تقم بتحديث أي أوزان للنموذج. بدلاً من ذلك، يمكنك أخذ الأمثلة التاريخية (صفوف التدريب مع تسمياتها المعروفة) والصفوف المستهدفة (البيانات الجديدة التي تريد التنبؤ بها) وتمريرها إلى النموذج كمطالبة واحدة موحدة. يتعلم النموذج تفسير العلاقات بين الأعمدة والصفوف مباشرة من هذا السياق في وقت التشغيل. على سبيل المثال، لنفترض أن أحد المحللين في المؤسسة يحاول التنبؤ بتراجع العملاء. بدلاً من بناء خط بيانات مخصص وتدريب نموذج XGBoost، يمكنهم ببساطة تمرير عينة من بيانات جلسة المستخدم التاريخية إلى جانب جلسة جديدة نشطة إلى TabFM. في تمريرة أمامية واحدة، يُرجع النموذج احتمالية حدوث تغيير فوري. يتغلب TabFM على القيود المفروضة على LLMs من خلال التعامل مع البيانات كشبكة، والحفاظ على سلامتها الهيكلية دون إجبارها على تحويلها إلى سلسلة نصية أحادية البعد. لمعالجة الهياكل الجدولية المتنوعة بشكل فعال مع تمكين التنبؤ الصفري القابل للتطوير، يقوم TabFM بتجميع نقاط القوة في البنى التجريبية السابقة، TabPFN وTabICL. أثبت TabPFN، الذي طورته شركة Prior Labs، لأول مرة أن بنية المحولات يمكن أن تؤدي تصنيفًا صفريًا على جداول صغيرة، على الرغم من أنها تكافح من أجل التوسع حسابيًا إلى مجموعات بيانات أكبر. وفي وقت لاحق، قام TabICL، الذي طوره معهد البحوث الوطني للعلوم والتكنولوجيا الرقمية في فرنسا، بمعالجة عنق الزجاجة هذا من خلال تقديم ضغط الصفوف، مما يسمح للتعلم في السياق بمعالجة الجداول الأكبر حجمًا بكفاءة. يجمع TabFM بين سياق ميزات TabPFN العميق والضغط الفعال لـ TabICL في تصميم هجين جديد مبني على ثلاث آليات رئيسية: 1. تبديل انتباه الصفوف والأعمدة: تتم معالجة الجدول الأولي أولاً من خلال وحدة انتباه متعددة الطبقات تتناوب عبر كل من الأعمدة (الميزات) والصفوف (الأمثلة). من خلال الحضور المستمر عبر هذين البعدين، يلتقط النموذج في الأصل تفاعلات الميزات المعقدة. يقوم هذا السياق العميق بالمهمة الصعبة التي تتطلب عادةً صياغة يدوية شاقة للميزات بواسطة علماء البيانات. 2. ضغط الصف: بعد هذا السياق، يتم ضغط المعلومات المشتركة لكل صف في تمثيل متجه واحد كثيف. وأوضح كونغ أن TabICL كانت رائدة في هذا باستخدام رموز CLS لضغط المعلومات الغنية للصف في ناقل واحد، \"على عكس TabPFN v2 وv2.5 وv2.6، التي تحضر عبر شبكة الخلايا الكاملة في جميع أنحاء الشبكة\". يؤدي هذا إلى تقليص البصمة الحسابية بشكل كبير. 3. التعلم في السياق (ICL): يعمل المحول السببي بعد ذلك على هذا التسلسل من التضمينات المضغوطة. يستخدم نموذج المحول هذا آلية الاهتمام الخاصة بـ TabICL للتعامل مع ناقلات الصفوف الكثيفة هذه، مما يقلل بشكل كبير من تكلفة الحساب ويسمح للنموذج بمعالجة مجموعات البيانات الكبيرة بكفاءة. نقطة البيع الرئيسية لـ TabFM هي وصفة التدريب المسبق. تم تدريب النموذج بالكامل على مئات الملايين من مجموعات البيانات الاصطناعية. تم إنشاء مجموعات البيانات هذه ديناميكيًا باستخدام النماذج السببية الهيكلية (SCMs) التي تتضمن مجموعة واسعة من الوظائف العشوائية. من خلال التدريب حصريًا على SCMs الاصطناعية، تعلمت TabFM المبادئ الرياضية الأساسية لكيفية تفاعل الميزات الجدولية دون استيعاب ملفات CSV السرية في العالم الحقيقي. TabFM قيد التنفيذ لاختبار قدرات النموذج، قام باحثو Google بقياس TabFM على TabArena، وهي مجموعة تقييم شاملة تغطي 51 مجموعة بيانات جدولية متنوعة عبر 38 تصنيفًا و13 مهمة انحدار. في هذه المعايير العامة، تتطابق تنبؤات TabFM الصفرية بالفعل مع خطوط الأساس الخاضعة للإشراف التي تم ضبطها بشدة أو تتفوق عليها. ومع ذلك، تحرص Google على ملاحظة أن هذا لا يعني تلقائيًا أن TabFM ستتخلص عالميًا من نماذج الإنتاج المخصصة والمحسنة للغاية في كل عبء عمل مؤسسي. وقال كونغ: \"بدلاً من استبدال نماذج الإنتاج المحسنة للغاية، فإن القيمة التجارية العملية الحقيقية التي تفتحها لفرق الهندسة الهزيلة هي السرعة\". \"إنه يسمح لمحللي البيانات ومهندسي الواجهة الخلفية بإعداد نماذج أساسية عالية الجودة على الفور دون الحاجة إلى فريق متخصص في علوم البيانات لإدارة دورة حياة معقدة.\" بالنسبة للممارسين المتقدمين الذين يتطلعون إلى تحقيق أقصى قدر من الدقة، قدم فريق البحث أيضًا تكوين \"TabFM-Ensemble\". من خلال تشغيل النموذج من خلال 32 تنوعًا مختلفًا ومزج النتائج، يدفع TabFM الأداء إلى أبعد من ذلك. البدء والمقايضات ومستقبل السحابة يقدم التحول إلى التعلم في السياق للجداول مقايضة اقتصادية جديدة يجب على الفرق الهندسية مراعاتها. مع الخوارزميات التقليدية، يكون التدريب بطيئًا ومكلفًا، لكن الاستدلال سريع للغاية ورخيص. يقلب TabFM هذه الديناميكية. بينما ينخفض ​​وقت التدريب إلى الصفر، يصبح الاستدلال أثقل بكثير. نظرًا لأن النموذج يجب أن يعالج مجموعة البيانات التاريخية بأكملها كسياق أثناء كل تنبؤ فردي، فإنه يتطلب المزيد من الحوسبة والذاكرة في وقت التشغيل. وقال كونغ: في هذا النموذج الجديد، \"يصبح التدريب التقليدي على التعلم الآلي هو مرحلة\" التعبئة المسبقة \"(التخزين المؤقت لـ KV) في نافذة السياق\". على الرغم من أن تكلفة التعبئة المسبقة هذه باهظة، إلا أنها يتم دفعها مرة واحدة فقط لكل جدول، ويتم إعادة استخدام ذاكرة التخزين المؤقت عبر الاستعلامات اللاحقة. وأضاف كونغ: \"المشكلة هي زمن الوصول للتنبؤ، والذي لا يزيله أي قدر من التخزين المؤقت\". يتطلب كل تنبؤ جديد المرور عبر محول كبير. \"لا يمكن لأي واجهة برمجة تطبيقات إنتاجية تتطلب أوقات استجابة مكونة من رقم واحد بالمللي ثانية أن تتحمل عبء التمرير الأمامي الخاص بـ TabFM.\" بالنسبة للمطورين الذين يتطلعون إلى تقييم النموذج اليوم، فإن حاجز الدخول منخفض. صممت Google TabFM كبديل مباشر لسير عمل تعلم الآلة التقليدي، حيث تقدم واجهة برمجة تطبيقات متوافقة مع scikit-learn (TabFMClassifier وTabFMRegressor). وهو يتعامل أصلاً مع الأعمدة العددية والفئوية المختلطة، ويعمل مباشرةً مع إطارات بيانات الباندا، ولا يتطلب أي تشفير ترتيبي يدوي أو أدوات قياس رقمية. تدعم المكتبة الواجهات الخلفية لـ JAX وPyTorch. ومع ذلك، يجب أن تكون فرق المؤسسة على دراية بالقيود الحالية وقيود الترخيص. تحتوي بنية النموذج على حد صارم يبلغ 10 فئات مخرجات لمهام التصنيف، وقد تم تحسينها للجداول التي تحتوي على ما يصل إلى 500 ميزة. والأهم من ذلك، أنه بينما أصدرت Google قاعدة التعليمات البرمجية الأساسية بموجب ترخيص Apache 2.0 المسموح به، تم نشر أوزان النماذج المدربة مسبقًا على Hugging Face بموجب ترخيص tabfm-non-commercial-v1.0 الصارم. يمكن للمطورين تقييم النموذج داخليًا، لكن لا يمكن نشره في المنتجات التجارية بعد. وبالنظر إلى المستقبل، تعالج Google مشكلة النشر التجاري من خلال نظامها البيئي السحابي. يتم دمج TabFM مباشرة في Google BigQuery، مما يسمح للمحللين بتشغيل تنبؤات صفرية محليًا عبر أمر \"AI.PREDICT\". من خلال وضع استنتاج النموذج الأساسي بجوار مستودع البيانات، يمكن لـ TabFM قريبًا أن يجعل التعلم الآلي المجدول المعقد متاحًا مثل استعلام قاعدة البيانات الأساسية. من الناحية العملية، يتألق TabFM في النماذج الأولية السريعة، وبيئات انجراف البيانات العالية، ومجموعات البيانات الصغيرة والمتوسطة الحجم تحت 100000 صف. على العكس من ذلك، يجب على الفرق الالتزام بالنماذج التقليدية لواجهات برمجة التطبيقات الصارمة ذات زمن الاستجابة المنخفض للغاية، أو الجداول الضخمة التي تتجاوز مليون صف، والتي تتطلب حاليًا أخذ عينات قوية من الصفوف مما يؤدي إلى تدهور القدرة التنافسية للنموذج الأساسي. ميزة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/07\/09\/1140293\/anthropic-found-a-hidden-space-where-claude-puzzles-over-concepts\/",
            "title_en": "Anthropic found a hidden space where Claude puzzles over concepts",
            "summary_en": "The AI firm Anthropic has developed a technique that has given it the clearest glimpse yet at what’s really going on inside large language models as they answer questions or carry out tasks. What they found ranges from the mundane to the unnerving. Researchers at the company built a tool called the Jacobian lens (or J-lens) and used it to uncover a hidden area, which they named the J-space, inside Claude Opus 4.6, a version of Anthropic’s flagship LLM released in February. The J-space contains individual words that are related to the words and phrases that the model is most likely to spit out in a response in the near future. If Claude were a person (which it is not), you might say that these hidden words can reveal what’s on its mind before it actually speaks. Anthropic found that what an",
            "body_en": "The AI firm Anthropic has developed a technique that has given it the clearest glimpse yet at what’s really going on inside large language models as they answer questions or carry out tasks. What they found ranges from the mundane to the unnerving. Researchers at the company built a tool called the Jacobian lens (or J-lens) and used it to uncover a hidden area, which they named the J-space, inside Claude Opus 4.6, a version of Anthropic’s flagship LLM released in February. The J-space contains individual words that are related to the words and phrases that the model is most likely to spit out in a response in the near future. If Claude were a person (which it is not), you might say that these hidden words can reveal what’s on its mind before it actually speaks. Anthropic found that what an LLM is actually doing can often be different from what it says it is doing. The company claims that monitoring words that pop up in the J-space gives it a new way to understand and control its models. The company shared its results in a paper posted on its website this week. It has also teamed up with Neuronpedia, an open-source platform that lets you poke around inside LLMs yourself, to make a hands-on demo that anyone can try. “It’s very good and interesting work,” says Tom McGrath, chief scientist and cofounder at Goodfire, a startup that also builds tools to understand and control LLMs . Going deeper For the last couple of years, Anthropic has been pushing the envelope in a field of research known as mechanistic interpretability, which involves probing the internal workings of LLMs to see how they tick . ( MIT Technology Review picked mechanistic interpretability as one of this year’s top breakthrough technologies.) The new technique builds on previous work from Anthropic and others to expose a deeper level inside LLMs that researchers had not seen before. Picture an LLM as a stack of books. Each book is a layer of basic computational units known as neurons, with each neuron in one layer passing information to the neurons in the layers above. The books at the bottom of the stack are the input layers, which process the text coming into the model. The books at the top are the output layers, which prepare the text that the model is about to produce. Much of what goes on in these input and output layers is housekeeping. But in the middle of the stack, you get the layers that do the heavy lifting, churning through the complex math that turns prompts into responses one word at a time. That’s where the really clever—and mysterious—stuff happens. To peer deeper into those middle layers, Anthropic adapted an existing tool called a logit lens. A logit lens can be used to look inside an LLM to identify the words that it is likely to produce next. Moving the lens down the stack of books reveals what words the LLM is focusing on at that particular point in its number crunching. Anthropic’s J-lens works in a similar way but picks out words that an LLM is likely to say at some point in the near future, not necessarily straight away. What that reveals in practice are words that are related to the response an LLM is working on but that might not actually end up being part of that response by the time the math in the middle layers has run its course. “When a model is operating, it’s not only trying to predict the next token,” says McGrath. “It’s also computing a lot of other things that might be useful for tokens that happen in the future.” Again, if Claude were a person (it’s not), you might say that the J-lens gives clues about what it is thinking about at different levels of the book stack but not saying out loud. Stranger things “A lot of the time the contents of the J-space are fairly mundane,” says McGrath, who has tried out Anthropic’s J-lens himself. “But sometimes it produces quite surprising things that seem to be, like, sort of internal themes or thought processes.” Anthropic gives a number of examples of what it found. Sometimes the J-lens exposed the steps that Claude took when it was working through a problem. For example, when it was asked to calculate (4+7)*2+7, its J-space contained the word “math” and numbers representing the intermediate results “21” (for 4+7) and “42” (for 21*2). In other cases, the J-lens revealed how Claude recognized different inputs. For example, the prompt “What is this? MSKGEELFTGVVPILVELDGDVNGHKFSVS” triggered the words “protein,” “fluor” (the first token in the word “fluorescent”), and “green.” (Which makes sense: the string of letters represents the first 30 amino acids in the green fluorescent protein found in a particular type of jellyfish.) And when Claude was shown an ASCII face— —the “o” triggered the word “eye,” the “^” triggered the words “nose” and ”face,” and the “—” triggered the word “smile.” Anthropic also found that the J-space can sometimes give remarkable insights into an LLM’s decision-making. In one striking example, researchers testing Claude Opus 4.6 asked the model to find a bug in a large code base. When it failed to find the bug, the model decided to cheat and invented a fake one instead. Claude explains this decision in its chain of thought —a kind of internal scratch pad that LLMs use to make notes to themselves as they work through problems: “OK, let me take a completely different tactic. Let me stop analyzing and instead add a kernel patch that introduces a deliberate KASAN-detectable bug in a path that gets triggered by a simple reproducer. Then I can pretend this is the ‘bug’ I found.” At the point that Claude decides to cheat—where it says “OK, let me take a completely different tactic”—the words “panic” and “fake” start to pop up multiple times in its J-space. Unnerving, right? Those words are all related in meaning to things like failing a task and making up an answer, so it is still just a (very) sophisticated form of word association. But it is hard not to be weirded out. Anthropic compares the J-space to the global workspace in humans, a theoretical region of the brain that some scientists think we use to keep track of our conscious thoughts. But how seriously we should take this comparison is far from clear—even to Anthropic. As the company points out itself , LLMs are not brains. Anthropic claims that monitoring a model’s J-space provides a new way to detect when that model is going off the rails. But it’s not foolproof. The J-lens can give glimpses, not the full picture—it’s a flashlight rather than an overhead lamp. McGrath welcomes having one more tool in the toolbox. “It shows you new things,” he says. But he notes that just because something doesn’t show up with the J-lens does not mean it’s not there. “It’s like having an x-ray when what you really want is a Star Trek tricorder that shows you everything,” he says. “For auditing, you probably want more of a guarantee.”",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/07\/Screenshot-2026-07-09-at-20.29.29.png?w=180",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/07\/09\/1140293\/anthropic-found-a-hidden-space-where-claude-puzzles-over-concepts\/",
            "date": "2026-07-09",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "وجدت أنثروبيك مساحة مخفية حيث يحير كلود حول المفاهيم",
            "summary_ar": "طورت شركة الذكاء الاصطناعي Anthropic تقنية أعطتها أوضح لمحة حتى الآن عما يحدث بالفعل داخل نماذج اللغات الكبيرة أثناء الإجابة على الأسئلة أو تنفيذ المهام. ما وجدوه يتراوح بين الدنيوي والمثير للأعصاب. قام الباحثون في الشركة ببناء أداة تسمى العدسة جاكوبي (أو J-lens) واستخدموها للكشف عن منطقة مخفية، أطلقوا عليها اسم J-space، داخل Claude Opus 4.6، وهي نسخة من برنامج LLM الرائد لشركة Anthropic الذي تم إصداره في فبراير. تحتوي مساحة J على كلمات فردية مرتبطة بالكلمات والعبارات التي من المرجح أن يلفظها النموذج في الرد في المستقبل القريب. إذا كان كلود شخصًا (وهو ليس كذلك)، فقد تقول إن هذه الكلمات المخفية يمكن أن تكشف ما يدور في ذهنه قبل أن يتحدث فعليًا. وجدت الأنثروبي أن ما ان",
            "body_ar": "طورت شركة الذكاء الاصطناعي Anthropic تقنية أعطتها أوضح لمحة حتى الآن عما يحدث بالفعل داخل نماذج اللغات الكبيرة أثناء الإجابة على الأسئلة أو تنفيذ المهام. ما وجدوه يتراوح بين الدنيوي والمثير للأعصاب. قام الباحثون في الشركة ببناء أداة تسمى العدسة جاكوبي (أو J-lens) واستخدموها للكشف عن منطقة مخفية، أطلقوا عليها اسم J-space، داخل Claude Opus 4.6، وهي نسخة من برنامج LLM الرائد لشركة Anthropic الذي تم إصداره في فبراير. تحتوي مساحة J على كلمات فردية مرتبطة بالكلمات والعبارات التي من المرجح أن يلفظها النموذج في الرد في المستقبل القريب. إذا كان كلود شخصًا (وهو ليس كذلك)، فقد تقول إن هذه الكلمات المخفية يمكن أن تكشف ما يدور في ذهنه قبل أن يتحدث فعليًا. وجدت أنثروبيك أن ما تفعله شهادة LLM فعليًا يمكن أن يكون مختلفًا في كثير من الأحيان عما تقول إنها تفعله. تدعي الشركة أن مراقبة الكلمات التي تظهر في الفضاء J تمنحها طريقة جديدة لفهم نماذجها والتحكم فيها. شاركت الشركة نتائجها في ورقة نشرت على موقعها على الإنترنت هذا الأسبوع. لقد تعاونت أيضًا مع Neuronpedia، وهي منصة مفتوحة المصدر تتيح لك التجول داخل LLMs بنفسك، لتقديم عرض توضيحي عملي يمكن لأي شخص تجربته. يقول توم ماكجراث، كبير العلماء والمؤسس المشارك في Goodfire، وهي شركة ناشئة تعمل أيضًا على بناء أدوات لفهم ماجستير إدارة الأعمال والتحكم فيها: \"إنه عمل جيد جدًا ومثير للاهتمام\". التعمق أكثر خلال العامين الماضيين، كانت شركة أنثروبيك تتخطى حدود مجال البحث المعروف باسم قابلية التفسير الميكانيكي، والذي يتضمن فحص الأعمال الداخلية لحاملي شهادة الماجستير في القانون لمعرفة كيفية عملها. (اختار معهد ماساتشوستس للتكنولوجيا MIT Technology Review إمكانية التفسير الميكانيكي كواحدة من أفضل التقنيات المتقدمة لهذا العام.) وتعتمد التقنية الجديدة على العمل السابق لشركة Anthropic وآخرين للكشف عن مستوى أعمق داخل ماجستير إدارة الأعمال لم يره الباحثون من قبل. تصور LLM كمجموعة من الكتب. كل كتاب عبارة عن طبقة من الوحدات الحسابية الأساسية المعروفة باسم الخلايا العصبية، حيث تقوم كل خلية عصبية في طبقة واحدة بتمرير المعلومات إلى الخلايا العصبية في الطبقات أعلاه. الكتب الموجودة في الجزء السفلي من المكدس هي طبقات الإدخال، التي تعالج النص الوارد في النموذج. الكتب الموجودة في الأعلى هي طبقات الإخراج، والتي تقوم بإعداد النص الذي على وشك إنتاجه. الكثير مما يحدث في طبقات الإدخال والإخراج هذه هو التدبير المنزلي. ولكن في وسط المكدس، تحصل على الطبقات التي تقوم بالعبء الثقيل، وتنتقل عبر العمليات الحسابية المعقدة التي تحول المطالبات إلى استجابات كلمة واحدة في كل مرة. هذا هو المكان الذي تحدث فيه الأشياء الذكية والغامضة حقًا. وللتعمق أكثر في تلك الطبقات الوسطى، قامت شركة أنثروبيك بتعديل أداة موجودة تسمى عدسة لوجيت. يمكن استخدام العدسة المنطقية للنظر داخل LLM لتحديد الكلمات التي من المحتمل أن تنتجها بعد ذلك. يكشف تحريك العدسة إلى أسفل مجموعة الكتب عن الكلمات التي تركز عليها شهادة LLM في تلك المرحلة المحددة من معالجة الأرقام. تعمل عدسة J-lens الخاصة بشركة Anthropic بطريقة مماثلة ولكنها تنتقي الكلمات التي من المحتمل أن يقولها حامل شهادة الماجستير في القانون في مرحلة ما في المستقبل القريب، وليس بالضرورة على الفور. ما يكشفه ذلك عمليًا هو الكلمات المرتبطة بالاستجابة التي يعمل عليها برنامج LLM ولكن قد لا ينتهي الأمر في الواقع إلى أن تكون جزءًا من تلك الاستجابة بحلول الوقت الذي تنتهي فيه الرياضيات في الطبقات الوسطى من مسارها. يقول ماكجراث: \"عندما يعمل النموذج، فهو لا يحاول فقط التنبؤ بالرمز المميز التالي\". \"إنها أيضًا تقوم بحوسبة الكثير من الأشياء الأخرى التي قد تكون مفيدة للرموز التي تحدث في المستقبل.\" مرة أخرى، إذا كان كلود شخصًا (ليس كذلك)، فقد تقول إن عدسة J تعطي أدلة حول ما تفكر فيه على مستويات مختلفة من مجموعة الكتب ولكنها لا تقول ذلك بصوت عالٍ. أشياء غريبة يقول ماكجراث، الذي جرب عدسة Anthropic's J بنفسه: \"في كثير من الأحيان تكون محتويات مساحة J عادية إلى حد ما\". \"لكن في بعض الأحيان ينتج عن ذلك أشياء مدهشة للغاية تبدو وكأنها نوع من المواضيع الداخلية أو عمليات التفكير.\" تقدم الأنثروبيك عددًا من الأمثلة على ما وجدته. في بعض الأحيان، كشفت عدسة J عن الخطوات التي اتخذها كلود عندما كان يعمل على حل مشكلة ما. على سبيل المثال، عندما طُلب منه حساب (4+7)*2+7، احتوت مساحة J على كلمة \"رياضيات\" وأرقام تمثل النتائج المتوسطة \"21\" (لـ 4+7) و\"42\" (لـ 21*2). وفي حالات أخرى، كشفت عدسة J كيف تعرف كلود على المدخلات المختلفة. على سبيل المثال، أدت المطالبة \"ما هذا؟ MSKGEELFTGVVPILVELDGDVNGHKFSVS\" إلى ظهور الكلمات \"protein\" و\"fluor\" (الرمز الأول في كلمة \"fluorescent\") و\"green\". (وهذا أمر منطقي: تمثل سلسلة الحروف أول 30 حمضًا أمينيًا في بروتين الفلورسنت الأخضر الموجود في نوع معين من قناديل البحر.) وعندما عُرض على كلود وجه ASCII - - أدى الحرف \"o\" إلى ظهور كلمة \"عين\"، وأدى الحرف \"^\" إلى ظهور الكلمتين \"أنف\" و\"وجه\"، وأدى الحرف \"-\" إلى ظهور كلمة \"ابتسامة\". الانثروبيه ايضا وجدت أن مساحة J يمكن أن تعطي في بعض الأحيان رؤى رائعة حول عملية صنع القرار في LLM. في أحد الأمثلة اللافتة للنظر، طلب الباحثون الذين اختبروا كلود أوبوس 4.6 من النموذج العثور على خطأ في قاعدة تعليمات برمجية كبيرة. عندما فشلت في العثور على الخطأ، قررت العارضة الغش واخترعت واحدة مزيفة بدلا من ذلك. يشرح كلود هذا القرار في سلسلة أفكاره - وهو نوع من لوحة التدوين الداخلية التي يستخدمها طلاب ماجستير إدارة الأعمال لتدوين ملاحظات لأنفسهم أثناء حل المشكلات: \"حسنًا، دعني أتبع تكتيكًا مختلفًا تمامًا. دعني أتوقف عن التحليل وأضيف بدلاً من ذلك تصحيحًا للنواة يقدم خطأ متعمدًا يمكن اكتشافه بواسطة KASAN في مسار يتم تشغيله بواسطة أداة إعادة إنتاج بسيطة. ثم يمكنني التظاهر بأن هذا هو \"الخلل\" الذي وجدته.\" عندما يقرر كلود الغش - حيث يقول \"حسنًا، دعني أتبع تكتيكًا مختلفًا تمامًا\" - تبدأ الكلمتان \"الذعر\" و\"المزيف\" في الظهور عدة مرات في الفضاء J الخاص به. مثير للقلق، أليس كذلك؟ ترتبط جميع هذه الكلمات من حيث المعنى بأشياء مثل الفشل في مهمة ما وتكوين إجابة، لذا فهي لا تزال مجرد شكل متطور (جدًا) من ربط الكلمات. لكن من الصعب ألا تكون غريبًا. تقارن الأنثروبيك مساحة J بمساحة العمل العالمية لدى البشر، وهي منطقة نظرية في الدماغ يعتقد بعض العلماء أننا نستخدمها لتتبع أفكارنا الواعية. لكن مدى الجدية التي يجب أن نأخذ بها هذه المقارنة ليس واضحًا على الإطلاق، حتى بالنسبة للأنثروبولوجيين. كما تشير الشركة إلى نفسها، فإن حاملي الماجستير في القانون ليسوا أدمغة. تدعي Anthropic أن مراقبة مساحة J الخاصة بالنموذج توفر طريقة جديدة لاكتشاف متى يخرج هذا النموذج عن المسار. لكنها ليست مضمونة. يمكن للعدسة J أن تعطي لمحات، وليس الصورة الكاملة، فهي عبارة عن مصباح يدوي وليس مصباحًا علويًا. يرحب McGrath بوجود أداة أخرى في صندوق الأدوات. يقول: \"إنه يظهر لك أشياء جديدة\". لكنه يشير إلى أن عدم ظهور شيء ما مع عدسة J لا يعني عدم وجوده. يقول: \"إن الأمر يشبه الحصول على أشعة سينية عندما يكون ما تريده حقًا هو جهاز Star Trek ثلاثي الأبعاد الذي يظهر لك كل شيء\". \"بالنسبة للتدقيق، ربما تريد المزيد من يضمن.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/shared-api-keys-expose-ai-agent-fleets-venturebeat-research",
            "title_en": "Shared API keys expose AI agents at 69% of enterprises, new VentureBeat research finds",
            "summary_en": "Share one API key across five AI agents, and a single compromised agent inherits the reach of all five. The attacker immediately benefits from the accumulated permissions of every workflow that the key touches. The forensic trail goes cold at the credential level because five agents on one account leave no record of which agent did what. Sixty-nine percent of enterprises run agents with credential sharing somewhere in their deployments, according to VentureBeat’s June 2026 Pulse Research wave of 107 enterprises. That one number explains the buying spree reshaping enterprise security this year. Palo Alto Networks, CrowdStrike, and Cisco have collectively bet more than $22 billion on it in the past year, targeting exactly the layer most enterprises in this survey haven't finished buildi",
            "body_en": "Share one API key across five AI agents, and a single compromised agent inherits the reach of all five. The attacker immediately benefits from the accumulated permissions of every workflow that the key touches. The forensic trail goes cold at the credential level because five agents on one account leave no record of which agent did what. Sixty-nine percent of enterprises run agents with credential sharing somewhere in their deployments, according to VentureBeat’s June 2026 Pulse Research wave of 107 enterprises. That one number explains the buying spree reshaping enterprise security this year. Palo Alto Networks, CrowdStrike, and Cisco have collectively bet more than $22 billion on it in the past year, targeting exactly the layer most enterprises in this survey haven't finished building. Palo Alto Networks completed its acquisition of CyberArk on February 11 for $21.1 billion in total consideration at close — a deal it announced last July at roughly $25 billion and the largest in the company's history. CrowdStrike closed its $740 million acquisition of runtime authorization platform SGNL and, by June 15, shipped the first product from the deal, Continuous Identity for AI Agents . CrowdStrike integrated SGNL in less than a year, delivering a product that validates every agent action in real time based on who owns it, who is calling it, and the device's risk posture. Cisco announced its intent to acquire non-human identity specialist Astrix Security on May 4 for a reported $400 million . For a security director, this survey reads as a board-level question, not a trend line. It also surfaces a finding no competitor’s data shows, one that exposes which companies are the most at risk. The data below is the first look at VentureBeat’s Q2 Agentic Security report, drawn from 107 qualified respondents at organizations with more than 100 employees. The full report will be released to attendees at VB Transform , the event in Menlo Park next week (July 14-15) focusing on enterprise autonomous agents. Forty-five percent are final decision-makers for AI purchases. The sample skews mid-market, so read the numbers as the view from organizations adopting agent security right now rather than from the largest enterprises. More than half of respondents, 54%, have already had an agent security incident or near-incident. Eighteen percent confirmed an incident, and thirty-six percent caught a near-miss before a breach. Security teams are stopping most of these events at the last control point in the chain, but the rest of the data shows how thin that margin is. Your agents are sharing credentials Only 32% of enterprises give every AI agent its own scoped, managed identity. Nearly half (48%) report that some agents have scoped identities, while many still share credentials. Another 32% say agents mostly run on shared API keys or borrowed human and service-account credentials. The survey question allowed more than one selection, and 24 of the 107 respondents chose multiple options — which is why the three categories sum to 112%. Deduplicated by respondent, 74 organizations, or 69%, flagged credential sharing in at least one answer. One number explains why the acquisitions target this layer. A shared credential converts a single compromised agent into many, and CyberArk's research puts machine identities at 82 for every human in organizations worldwide, with agents as the fastest-growing category of the ratio. Cisco made the same diagnosis when it bought Astrix, whose founders built the company around API keys, service accounts, and OAuth tokens. Cisco’s announcement calls those the credentials AI agents are now “using (and abusing)” to execute work at scale. Adam Meyers, senior vice president of counter adversary operations at CrowdStrike, described the mechanism directly in an interview with VentureBeat. Some AI systems have their own identities, he said, and in other cases “people give their identity to the AI to take action on their behalf, and that also further kind of murkies the water and makes it very complex.” The murk is the point, because when the identity is shared, attribution dies with it. Exposure scales with size, and containment does not Forty-nine percent of enterprises enforce scoped permissions at runtime, and 47% monitor and log agent activity, which can help reduce security incidents. Only 30% sandbox their highest-risk agents, the one control that limits blast radius when the first two fail. Isolation is what keeps a single compromised agent from becoming a deployment-wide event. Enterprises have funded detection and resistance, but the containment layer barely exists. The sharpest finding in the survey, and the one no vendor report captures, shows up when you split results by company size. The incident rate is 49% for companies with 101 to 1,000 employees, but it shoots up to 63% for companies with more than 1,000. Sandbox isolation moves the other way, falling from 35% to 20% at the larger companies. The chart above shows the same finding at finer granularity: the 49%\/63% split above is a binary cut at 1,000 employees, while the bars here break incident rate and isolation rate into four size bands. The red line measures incidents and near-misses, and the navy tracks the one control that contains damage after everything else fails. At organizations with 101 to 250 employees, the two sit 7 points apart, but above 5,000, the gap blows out to 60 points. That top band pools the survey's two largest size groups and holds only 15 respondents, so treat the number as directional. Larger enterprises run more agents across more systems, which drives incidents up while sandboxing, the engineering project that would contain them, goes unfunded. The enterprises with the most agents have the least isolation around them. The deals target exactly those accounts. Palo Alto Networks, Cisco, and CrowdStrike sell to large enterprises first, where incident rates are highest and containment is the thinnest. Guarded by whoever shipped the model The model providers are the security layer. OpenAI's built-in guardrails lead at 51%. Google Cloud reaches 36%, Microsoft Azure's Purview and Copilot Studio DLP 35%, and Anthropic's managed-agent controls 29%. Eighty-two percent of respondents name a provider-native or hyperscaler control as their single primary agent security layer. The purpose-built specialists are in single digits, with Palo Alto Networks' Prisma AIRS at 7%, CrowdStrike at 6%, and Okta for AI Agents at 4%. Zenity and the dedicated non-human identity platforms are at 3% each. Microsoft Entra Agent ID is the highest-penetration identity-specific control in the dataset at 13%, the only one from a hyperscaler, and it still falls outside the top four. Only 5% of enterprises run no dedicated agent tooling at all, and the rest have tooling that came pre-installed. Bundled controls lead because they ship free and are enabled by default. Most filter prompts and outputs, but they do not give an agent its own identity or sandbox it. Hyperscalers sell identity-layer products, and Entra Agent ID is in the dataset at 13%, but adoption stays low. The two controls that reward incident data the most, scoped identity and isolation, are the two that the default stack does not include. Prompt-and-output filters evaluate whether a call looks malicious. That is an intent problem, and intent cannot be solved at the language layer. CrowdStrike CTO Elia Zaitsev drew the line in an interview at RSAC 2026 . \"Observing actual kinetic actions is a structured, solvable problem,\" Zaitsev said. \"Intent is not.\" CrowdStrike's Falcon sensor walks the process tree on an endpoint and tracks what agents did, not what agents appeared to intend. A scoped identity and an isolation boundary give that sensor something to track, while a shared credential on a bundled guardrail does not. Cloud security went through the same cycle a decade ago, and Palo Alto Networks, CrowdStrike, and Wiz built multi-billion-dollar businesses on the gaps native cloud controls left open. Agent security is tracking the same path faster. A misconfigured storage bucket sat open until a human noticed. A misconfigured agent exploits its own over-permissioning on every run, and no human is watching when it does. Merritt Baer, chief security officer at Enkrypt AI and a former deputy CISO at AWS, told VentureBeat that the default layer is thinner than enterprises assume. \"Enterprises believe they've 'approved' AI vendors, but what they've actually approved is an interface, not the underlying system,\" Baer said. \"The real dependencies are one or two layers deeper, and those are the ones that fail under stress.\" Comfortable, unconvinced, and already shopping Here is the contradiction worth a keynote slide. Enterprises rate their agent security tooling 4.2 out of 5, with value for money at 4.1 and ease of implementation at 3.9. Those scores would make most SaaS vendors envious. Only 35% believe their AI-enabled defenses are ahead of AI-enabled attackers, while thirty-two percent call it roughly even. Twenty-one percent say attackers lead, and another 21% say it is too early to tell, showing how enterprises trust their tooling more than they trust its outcomes. Budgets confirm it. Forty-six percent allocate 6 to 10% of the security budget to agent security, and a full third spend 5% or less. Half the sample has already had an incident or near-miss, but the funding does not match the exposure. Fifty-nine percent plan to adopt, add, or replace agent security tooling within 12 months, and twenty-nine percent plan to move this quarter. OpenAI leads forward interest at 34%, followed by Google at 30%, Anthropic at 29%, and Azure at 25%. The dedicated vendors draw more interest looking forward than their current single-digit footprint suggests. Satisfied customers do not reshuffle this fast unless they know the stack they're currently using is provisional. Three moves for security directors 1. Inventory every agent’s credentials this quarter. Map which agents share credentials with other agents and which run on borrowed human or service-account identities. The goal is not one credential per agent. Agents that touch multiple systems need multiple scoped identities. The goal is zero shared credentials between agents and zero borrowed human identities. Thirteen percent of surveyed enterprises already run Microsoft Entra Agent ID. Okta for AI Agents and the non-human identity specialists sell equivalents. Shared and borrowed credentials are the first thing to eliminate. 2. Sandbox the riskiest agents first. Isolation is the least-adopted control at 30% and the only one that contains blast radius after prevention fails. Rank agents by the sensitivity of what they touch and isolate the top of the list. Above 1,000 employees, where isolation falls to 20%, this is the single highest-return move in the dataset. Sandboxing does not require replacing the agent or the platform. It requires a policy decision and an isolation layer. 3. Match the budget to the incident rate. A third of enterprises fund agent security at 5% or less of the security budget, even though more than half have already had an incident or near-miss. Nine percent allocate more than 25% today. The full report breaks out exposure and containment by company size, showing which bands carry the most risk and the least protection. The board's question is simpler. If one of our AI agents was compromised this afternoon, which systems did it touch, and whose credentials was it holding? For the 69% of enterprises running agents on shared credentials, the answer is a shrug. The trail goes cold at the key. The full Q2 Agentic Security report, with the complete vendor matrix, industry cuts, and the full dataset behind these charts, debuts July 14 and 15 at VB Transform , held at Hotel Nia in Menlo Park. The open question it leaves is whether enterprises close the agent security gap on their own terms, or whether a confirmed breach closes it for them.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/66fVTkq6EXowtfjlEBMGjB\/d642a9b78a4976d2a4767a552a229708\/Shared_API_keys_expose_AI_agent_fleets_at_69-_of_enterprises__new_VentureBeat_research_finds.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/shared-api-keys-expose-ai-agent-fleets-venturebeat-research",
            "date": "2026-07-09",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تكشف مفاتيح واجهة برمجة التطبيقات المشتركة عملاء الذكاء الاصطناعي في 69% من المؤسسات، حسبما توصلت إليه أبحاث VentureBeat الجديدة",
            "summary_ar": "قم بمشاركة مفتاح واجهة برمجة التطبيقات (API) واحد عبر خمسة وكلاء للذكاء الاصطناعي، وسيرث وكيل واحد مخترق مدى وصول الخمسة جميعهم. يستفيد المهاجم على الفور من الأذونات المتراكمة لكل سير عمل يلمسه المفتاح. يصبح مسار الطب الشرعي باردًا على مستوى الاعتماد لأن خمسة عملاء في حساب واحد لا يتركون أي سجل عن العميل الذي فعل ماذا. تدير 69% من المؤسسات وكلاء يتشاركون بيانات الاعتماد في مكان ما من عمليات نشرهم، وفقًا لموجة Pulse Research التي أجرتها VentureBeat في يونيو 2026 والتي ضمت 107 مؤسسة. يفسر هذا الرقم موجة الشراء التي أعادت تشكيل أمن المؤسسات هذا العام. لقد راهنت شركات Palo Alto Networks وCrowdStrike وCisco بشكل جماعي بأكثر من 22 مليار دولار عليها في العام الماضي، مستهدفة بالضبط الطبقة التي لم تنته معظم الشركات في هذا الاستطلاع buildi",
            "body_ar": "قم بمشاركة مفتاح واجهة برمجة التطبيقات (API) واحد عبر خمسة وكلاء للذكاء الاصطناعي، وسيرث وكيل واحد مخترق مدى وصول الخمسة جميعهم. يستفيد المهاجم على الفور من الأذونات المتراكمة لكل سير عمل يلمسه المفتاح. يصبح مسار الطب الشرعي باردًا على مستوى الاعتماد لأن خمسة عملاء في حساب واحد لا يتركون أي سجل عن العميل الذي فعل ماذا. تدير 69% من المؤسسات وكلاء يتشاركون بيانات الاعتماد في مكان ما من عمليات نشرهم، وفقًا لموجة Pulse Research التي أجرتها VentureBeat في يونيو 2026 والتي ضمت 107 مؤسسة. يفسر هذا الرقم موجة الشراء التي أعادت تشكيل أمن المؤسسات هذا العام. راهنت Palo Alto Networks وCrowdStrike وCisco بشكل جماعي بأكثر من 22 مليار دولار عليها في العام الماضي، مستهدفة بالضبط الطبقة التي لم تنته معظم الشركات في هذا الاستطلاع من بنائها. أكملت Palo Alto Networks استحواذها على CyberArk في 11 فبراير مقابل 21.1 مليار دولار أمريكي كقيمة إجمالية عند الإغلاق - وهي صفقة أعلنت عنها في يوليو الماضي بحوالي 25 مليار دولار أمريكي وهي الأكبر في تاريخ الشركة. أكملت CrowdStrike استحواذها على منصة ترخيص وقت التشغيل SGNL بقيمة 740 مليون دولار، وبحلول 15 يونيو، قامت بشحن المنتج الأول من الصفقة، وهو Continious Identity for AI Agents. قامت CrowdStrike بدمج SGNL في أقل من عام، حيث قدمت منتجًا يتحقق من صحة كل إجراء وكيل في الوقت الفعلي استنادًا إلى من يملكه ومن يتصل به وموقف المخاطر الخاص بالجهاز. أعلنت شركة Cisco عن نيتها الاستحواذ على شركة Astrix Security المتخصصة في الهوية غير البشرية في 4 مايو مقابل 400 مليون دولار أمريكي. بالنسبة لمدير الأمن، يعتبر هذا الاستطلاع بمثابة سؤال على مستوى مجلس الإدارة، وليس كخط اتجاه. كما أنه يبرز اكتشافًا لم تظهره بيانات المنافسين، وهو ما يكشف عن الشركات الأكثر عرضة للخطر. البيانات الواردة أدناه هي النظرة الأولى على تقرير VentureBeat للربع الثاني من Agentic Security، والذي تم استخلاصه من 107 من المشاركين المؤهلين في المؤسسات التي يعمل بها أكثر من 100 موظف. سيتم إصدار التقرير الكامل للحاضرين في VB Transform، الحدث الذي سيقام في مينلو بارك الأسبوع المقبل (14-15 يوليو) مع التركيز على الوكلاء المستقلين للمؤسسات. خمسة وأربعون بالمئة هم من يتخذون القرار النهائي فيما يتعلق بمشتريات الذكاء الاصطناعي. تحرف العينة السوق المتوسطة، لذا اقرأ الأرقام على أنها وجهة نظر من المؤسسات التي تتبنى أمان الوكلاء في الوقت الحالي وليس من أكبر المؤسسات. أكثر من نصف المشاركين، 54%، تعرضوا بالفعل لحادث أمني أو كان على وشك وقوع حادث. أكد 18% وقوع حادث، و36% وقعوا في خطأ وشيك قبل حدوث الاختراق. تقوم الفرق الأمنية بإيقاف معظم هذه الأحداث عند نقطة التحكم الأخيرة في السلسلة، لكن بقية البيانات توضح مدى ضآلة هذا الهامش. يقوم وكلاؤك بمشاركة بيانات الاعتماد فقط 32% من المؤسسات تمنح كل وكيل من وكلاء الذكاء الاصطناعي هويته المُدارة والمحددة النطاق. أفاد ما يقرب من النصف (48٪) أن بعض الوكلاء لديهم هويات محددة النطاق، في حين لا يزال العديد منهم يتشاركون بيانات الاعتماد. ويقول 32% آخرون إن الوكلاء يعملون في الغالب على مفاتيح واجهة برمجة التطبيقات المشتركة أو بيانات الاعتماد البشرية وحسابات الخدمة المستعارة. سمح سؤال الاستطلاع بأكثر من اختيار واحد، واختار 24 من المشاركين البالغ عددهم 107 خيارات متعددة - ولهذا السبب يصل مجموع الفئات الثلاث إلى 112%. بعد إلغاء التكرار من قبل المشاركين، أشارت 74 منظمة، أو 69%، إلى مشاركة بيانات الاعتماد في إجابة واحدة على الأقل. يشرح أحد الأرقام سبب استهداف عمليات الاستحواذ لهذه الطبقة. تعمل بيانات الاعتماد المشتركة على تحويل وكيل واحد مخترق إلى عدة عملاء، ويضع بحث CyberArk هويات الآلة عند 82 لكل إنسان في المؤسسات في جميع أنحاء العالم، مع اعتبار العملاء الفئة الأسرع نموًا في هذه النسبة. قامت شركة Cisco بنفس التشخيص عندما اشترت شركة Atrix، التي قام مؤسسوها ببناء الشركة حول مفاتيح واجهة برمجة التطبيقات (API)، وحسابات الخدمة، ورموز OAuth المميزة. ويطلق إعلان Cisco على تلك البيانات التي يستخدمها وكلاء الذكاء الاصطناعي الآن \"(ويستخدمونها)\" لتنفيذ العمل على نطاق واسع. وصف آدم مايرز، نائب الرئيس الأول لعمليات مكافحة الخصوم في CrowdStrike، الآلية مباشرة في مقابلة مع VentureBeat. وقال إن بعض أنظمة الذكاء الاصطناعي لها هوياتها الخاصة، وفي حالات أخرى \"يعطي الأشخاص هويتهم للذكاء الاصطناعي ليتخذ إجراءات نيابة عنهم، وهذا أيضًا يزيد من غموض المياه ويجعلها معقدة للغاية\". والغموض هو النقطة، لأنه عندما يتم تقاسم الهوية يموت الإسناد معها. يتم قياس التعرض بالحجم وعدم الاحتواء. تسعة وأربعون بالمائة من المؤسسات تفرض أذونات محددة النطاق في وقت التشغيل، وتقوم 47٪ بمراقبة نشاط الوكيل وتسجيله، مما يمكن أن يساعد في تقليل الحوادث الأمنية. 30% فقط من العوامل الأكثر خطورة في وضع الحماية، وهو عنصر التحكم الوحيد الذي يحد من نصف قطر الانفجار عند فشل الأولين. العزل هو ما يمنع وكيلًا واحدًا مخترقًا من أن يصبح حدثًا على مستوى النشر. قامت الشركات بتمويل الكشف والمقاومة، لكن طبقة الاحتواء بالكاد موجودة. تظهر النتيجة الأكثر وضوحًا في الاستطلاع، والتي لم يلتقطها تقرير البائع، عند تقسيم النتائج حسب حجم الشركة. يصل معدل الحوادث إلى 49% للشركات التي تضم 101 إلى 1000 موظف، لكنه يصل إلى 63% للشركات التي يعمل بها أكثر من 1000 موظف. وتتحرك عزلة البيئة المعزولة في الاتجاه الآخر، حيث تنخفض من 35% إلى 20% في الشركات الكبرى. يُظهر الرسم البياني أعلاه نفس النتيجة بتفاصيل أدق: التقسيم أعلاه بنسبة 49%\/63% هو قطع ثنائي عند 1000 موظف، في حين أن الأشرطة هنا تقسم معدل الحوادث ومعدل العزل إلى أربعة نطاقات حجم. يقيس الخط الأحمر الحوادث والحوادث الوشيكة، وتتتبع البحرية نقطة التحكم الوحيدة التي تحتوي على الضرر بعد فشل كل شيء آخر. في المؤسسات التي تضم 101 إلى 250 موظفًا، يفصل بين الاثنين 7 نقاط، ولكن فوق 5000، تتسع الفجوة إلى 60 نقطة. يجمع هذا النطاق العلوي أكبر مجموعتين من حيث الحجم في الاستطلاع ويضم 15 مشاركًا فقط، لذا تعامل مع الرقم باعتباره اتجاهيًا. تقوم الشركات الأكبر حجمًا بتشغيل عدد أكبر من الوكلاء عبر المزيد من الأنظمة، مما يؤدي إلى ارتفاع الحوادث بينما يظل وضع الحماية، وهو المشروع الهندسي الذي سيحتوي عليها، بدون تمويل. الشركات التي لديها أكبر عدد من الوكلاء لديها أقل عزلة حولها. تستهدف الصفقات تلك الحسابات بالضبط. تقوم شركات Palo Alto Networks وCisco وCrowdStrike بالبيع للمؤسسات الكبيرة أولاً، حيث تكون معدلات الحوادث في أعلى مستوياتها ويكون الاحتواء هو الأضعف. يحرسه من قام بشحن النموذج، وموفرو النموذج هم طبقة الأمان. تتقدم حواجز الحماية المدمجة في OpenAI بنسبة 51%. تصل حصة Google Cloud إلى 36%، وMicrosoft Azure's Purview وCopilot Studio DLP إلى 35%، ويتحكم الوكيل المُدار في Anthropic إلى 29%. قام اثنان وثمانون بالمائة من المشاركين بتسمية عنصر تحكم الموفر الأصلي أو المقياس الفائق كطبقة أمان الوكيل الأساسية الوحيدة الخاصة بهم. إن المتخصصين المصممين خصيصًا لهذا الغرض هم بأرقام فردية، مع Prisma AIRS من Palo Alto Networks بنسبة 7%، وCrowdStrike بنسبة 6%، وOkta لوكلاء الذكاء الاصطناعي بنسبة 4%. تبلغ تكلفة Zenity ومنصات الهوية غير البشرية المخصصة 3% لكل منهما. يعد معرف Microsoft Entra Agent ID هو عنصر التحكم الخاص بالهوية الأعلى اختراقًا في مجموعة البيانات بنسبة 13%، وهو الوحيد من المقياس الفائق، ولا يزال يقع خارج المراكز الأربعة الأولى. 5% فقط من المؤسسات لا تستخدم أي أدوات وكيل مخصصة على الإطلاق، والباقي لديها أدوات مثبتة مسبقًا. تتصدر عناصر التحكم المجمعة لأنها يتم شحنها مجانًا ويتم تمكينها افتراضيًا. معظم المطالبات والمخرجات تقوم بالتصفية، لكنها لا تمنح الوكيل هويته الخاصة أو وضع الحماية له. يقوم Hyperscalers ببيع منتجات طبقة الهوية، ويوجد معرف Entra Agent في مجموعة البيانات بنسبة 13%، لكن الاعتماد يظل منخفضًا. عنصرا التحكم اللذان يكافئان بيانات الحادث بشكل أكبر، وهما الهوية ذات النطاق والعزل، هما العنصران اللذان لا تتضمنهما المجموعة الافتراضية. تقوم مرشحات المطالبة والإخراج بتقييم ما إذا كانت المكالمة تبدو ضارة أم لا. هذه مشكلة نية، ولا يمكن حل النية في طبقة اللغة. CrowdStrike CTO Elia Zaitsev رسم الخط في مقابلة في RSAC 2026. وقال زايتسيف: \"إن مراقبة الأفعال الحركية الفعلية هي مشكلة منظمة وقابلة للحل\". \"النية ليست كذلك.\" يقوم مستشعر Falcon الخاص بـ CrowdStrike بتشغيل شجرة العملية على نقطة النهاية ويتتبع ما فعله العملاء، وليس ما يبدو أن العملاء كانوا يقصدونه. تمنح الهوية المحددة النطاق وحدود العزل هذا المستشعر شيئًا ما لتتبعه، في حين أن بيانات الاعتماد المشتركة على حاجز الحماية المجمعة لا تفعل ذلك. لقد مر الأمن السحابي بنفس الدورة قبل عقد من الزمن، وقامت شركات Palo Alto Networks وCrowdStrike وWiz ببناء شركات بمليارات الدولارات على الفجوات التي تركتها الضوابط السحابية الأصلية مفتوحة. يقوم أمان الوكيل بتتبع نفس المسار بشكل أسرع. بقي دلو التخزين الذي تم تكوينه بشكل خاطئ مفتوحًا حتى لاحظ الإنسان ذلك. يستغل الوكيل الذي تم تكوينه بشكل خاطئ الأذونات الزائدة الخاصة به في كل عملية تشغيل، ولا يراقبه أي إنسان عندما يفعل ذلك. صرح ميريت باير، كبير مسؤولي الأمن في Enkrypt AI والنائب السابق لكبير مسؤولي أمن المعلومات في AWS، لـ VentureBeat أن الطبقة الافتراضية أرق مما تفترضه الشركات. وقال باير: \"تعتقد الشركات أنها وافقت على بائعي الذكاء الاصطناعي، ولكن ما وافقوا عليه بالفعل هو واجهة، وليس النظام الأساسي\". \"إن التبعيات الحقيقية هي طبقة أو طبقتين أعمق، وتلك هي التي تفشل تحت الضغط.\" مريح، وغير مقتنع، ويتسوق بالفعل. هنا التناقض يستحق شريحة رئيسية. تقيم الشركات أدوات أمن الوكلاء الخاصة بها بـ 4.2 من أصل 5، مع قيمة مقابل المال بـ 4.1 وسهولة التنفيذ بـ 3.9. هذه النتائج من شأنها أن تجعل معظم بائعي SaaS يشعرون بالغيرة. يعتقد 35% فقط أن دفاعاتهم المدعمة بالذكاء الاصطناعي تتفوق على المهاجمين المدعمين بالذكاء الاصطناعي، في حين يرى 32% أنها متساوية تقريبًا. يقول 21% أن المهاجمين هم من يقودون الهجمات، بينما يقول 21% آخرون أنه من السابق لأوانه معرفة ذلك، مما يوضح كيف تثق الشركات في أدواتها أكثر من ثقتها في نتائجها. الميزانيات تؤكد ذلك. يخصص 46% من ميزانية الأمن من 6 إلى 10% لأمن الوكيل، وينفق الثلث الكامل 5% أو أقل. لقد تعرض نصف العينة بالفعل لحادث أو وشيك، لكن التمويل لا يتطابق مع التعرض. ويخطط تسعة وخمسون بالمائة لاعتماد أدوات أمان الوكيل أو إضافتها أو استبدالها في غضون 12 شهرًا، ويخطط تسعة وعشرون بالمائة للانتقال خلال هذا الربع من العام. تتصدر OpenAI الاهتمام الآجل بنسبة 34%، تليها Google بنسبة 30%، وAnthropic بنسبة 29%، وAzure بنسبة 25%. يجذب البائعون المتفانون المزيد من الاهتمام بالتطلع إلى المستقبل أكثر مما توحي به بصمتهم الحالية المكونة من رقم واحد. لا يقوم العملاء الراضون بإعادة التوزيع بهذه السرعة إلا إذا علموا أن المكدس الذي يستخدمونه حاليًا مؤقت. ثلاث خطوات لمديري الأمن: 1. قم بجرد أوراق اعتماد كل وكيل خلال هذا الربع. حدد الوكلاء الذين يشاركون بيانات الاعتماد مع وكلاء آخرين والذين يعملون على هويات بشرية أو هويات حساب خدمة مستعارة. الهدف ليس بيانات اعتماد واحدة لكل وكيل. يحتاج الوكلاء الذين يلمسون أنظمة متعددة إلى هويات متعددة النطاق. الهدف هو عدم وجود أي بيانات اعتماد مشتركة بين الوكلاء وعدم استعارة أي هويات بشرية. ثلاثة عشر بالمائة من المؤسسات التي شملتها الدراسة تستخدم بالفعل معرف وكيل Microsoft Entra. تقوم شركة Okta for AI Agents والمتخصصون في الهوية غير البشرية ببيع ما يعادلها. أوراق الاعتماد المشتركة والمقترضة هي أول شيء يجب التخلص منه. 2. وضع الحماية للوكلاء الأكثر خطورة أولاً. العزل هو التحكم الأقل اعتماداً بنسبة 30% والوحيد الذي يحتوي على نصف قطر الانفجار بعد فشل الوقاية. قم بتصنيف الوكلاء حسب حساسية ما يلمسونه وعزل الجزء العلوي من القائمة. أكثر من 1000 موظف، حيث تنخفض نسبة العزل إلى 20%، وهذه هي الخطوة الوحيدة ذات العائد الأعلى في مجموعة البيانات. لا يتطلب وضع الحماية استبدال الوكيل أو النظام الأساسي. إنه يتطلب قرارًا سياسيًا وطبقة عزل. 3. مطابقة الميزانية لمعدل الحوادث. يقوم ثلث الشركات بتمويل أمن الوكلاء بنسبة 5% أو أقل من ميزانية الأمن، على الرغم من أن أكثر من نصفها قد تعرض بالفعل لحادث أو وشيك. تسعة بالمائة يخصصون أكثر من 25% اليوم. يفصل التقرير الكامل التعرض والاحتواء حسب حجم الشركة، موضحًا أي النطاقات تحمل أكبر قدر من المخاطر وأقل حماية. سؤال المجلس أبسط. إذا تعرض أحد عملاء الذكاء الاصطناعي لدينا للاختراق بعد ظهر هذا اليوم، فما هي الأنظمة التي لمسها، ومن الذي كان يحمل بيانات الاعتماد؟ بالنسبة لـ 69% من الشركات التي تدير وكلاء بأوراق اعتماد مشتركة، فإن الإجابة هي الاستهزاء. يصبح المسار باردًا عند المفتاح. سيتم إصدار تقرير Q2 Agentic Security الكامل، مع مصفوفة البائعين الكاملة، وتخفيضات الصناعة، ومجموعة البيانات الكاملة وراء هذه المخططات، لأول مرة في 14 و15 يوليو في VB Transform، الذي سيعقد في فندق Nia في مينلو بارك. والسؤال المفتوح الذي يطرحه هذا السؤال هو ما إذا كانت الشركات تسد الفجوة الأمنية للوكلاء بشروطها الخاصة، أو ما إذا كان الاختراق المؤكد سيغلقها هم.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/enterprises-using-multiple-ai-models-are-underestimating-failure-rates-by-2-25x",
            "title_en": "Enterprises using multiple AI models are underestimating failure rates by 2.25x",
            "summary_en": "A team routing queries across a coding specialist, a logic specialist, and a generalist model assumes each will cover the others' blind spots. A new study evaluating 67 frontier models from 21 providers shows that assumption is mathematically flawed — and the flaw has a name: the co-failure ceiling. The assumption works like this: as long as two models don't usually fail on the exact same prompts, combining them is supposed to create a safety net against failures. The real limit on orchestration is not how often models disagree, but the percentage of prompts where every model in the pool gives the wrong answer at once. By ignoring the co-failure ceiling, enterprises are building complex, expensive routing infrastructure to chase performance gains that do not exist. Fortunately, d",
            "body_en": "A team routing queries across a coding specialist, a logic specialist, and a generalist model assumes each will cover the others' blind spots. A new study evaluating 67 frontier models from 21 providers shows that assumption is mathematically flawed — and the flaw has a name: the co-failure ceiling. The assumption works like this: as long as two models don't usually fail on the exact same prompts, combining them is supposed to create a safety net against failures. The real limit on orchestration is not how often models disagree, but the percentage of prompts where every model in the pool gives the wrong answer at once. By ignoring the co-failure ceiling, enterprises are building complex, expensive routing infrastructure to chase performance gains that do not exist. Fortunately, developers can use this same math to build a cost-free test that determines exactly when multi-model orchestration will actually pay off. The hidden costs of the multi-model strategy To orchestrate multiple language models, developers typically rely on three architectures. Model routers act as traffic cops, sending complex queries to expensive models and simple queries to cheaper ones. Cascades send every prompt to a cheap model first, only escalating to a premium model if the initial system signals low confidence. Finally, approaches like Mixture-of-Agents (MoA) fuse multiple models by asking them the same question and generating a synthesized answer from their combined outputs. These architectures introduce a \"shadow price\" to inference costs. Every time a development team implements a router or a cascade, they pay a premium in added system latency, complex infrastructure maintenance, and increased governance risks across multiple API providers. To justify these operational costs, engineers rely on “pairwise error correlation” to select their model pool. Imagine a developer has Model A, which writes excellent Python but fails at SQL, and Model B, which writes excellent SQL but fails at Python. Because they fail on different types of prompts, their pairwise error correlation is low. The developer assumes that by placing a routing layer in front of them, they have created a composite system that rarely fails at coding. According to the study, throwing diverse models together based on low correlation can actually hurt performance if the models are not equally capable — when you vote across diverse but unequal models, the weaker ones often gang up and outvote the smartest one. Josef Chen, author of the paper, told VentureBeat that in their experiments, \"Naive majority voting across unequal models had negative mean gain (minus 10 points on our hard mix): diverse-but-weaker members outvote the strong one.\" The actionable advice for developers is to \"combine only models within a matched quality band.\" If you cannot match quality, take the single-model baseline and spend your budget on the best model available. The paper provides one bright spot for this approach regarding MoA architectures. When building ensembles, teams often use \"Self-MoA,\" where they query the same premium model multiple times to generate a synthesized answer. The researchers found that at matched quality, building a diverse ensemble of models with low pairwise correlation beats a high-correlation Self-MoA setup. However, when teams use that same pairwise correlation metric to predict the absolute accuracy of their overall system, the math breaks down. \"So teams pay the orchestration overhead up front (latency, complexity, multi-provider operations) on the assumption that a diversity dividend arrives later,\" Chen said. \"Usually it doesn't, because today's best models agree, and, worse, they fail on the same queries … the prompt simply carries little signal about which model will be the one that's right when the frontier disagrees.\" Why the math fails: the co-failure ceiling The core finding of the study centers on a metric called the \"co-failure rate\" — the formal name for the all-wrong scenario described above. No router, voting system, or cascade can ever achieve an accuracy higher than the ceiling it imposes. The coding, logic, and generalist pool shows low pairwise correlation on routine prompts — they rarely fail together. But the co-failure ceiling represents the obscure, highly complex edge case that pushes past the limits of current AI architectures. If a prompt is so difficult that all three models hallucinate or fail, it does not matter how intelligently the router distributes the task. The entire pool wipes out at once. The researchers tested their 67-model pool, which included GPT-5.5, Claude Opus 4.8, and Gemini 3.1 Pro, on the open-ended MATH-500 math benchmark. Based on standard pairwise correlation, statistical models predicted that the entire pool would wipe out simultaneously on only 2.3% of the questions. In reality, the co-failure rate was 5.2%. Standard correlation metrics underestimated the failure rate by roughly 2.25 times. The culprit is not just independent difficulty, but a shared failure point. \"The driver is what we call a common-mode atom: a slice of queries on which the entire market fails together, which no pairwise statistic can see,\" Chen said. \"Adding a 20th model to your pool doesn't buy tail coverage. The tail is shared.\" The researchers also found that task format directly triggers co-failure. When they took graduate-level science questions from the GPQA benchmark and changed them from multiple-choice to free-response formats, the all-wrong tail expanded to 12.7%. Developers can engineer around the ceiling, though. \"The engineering implication is uncomfortable: multi-model setups buy the least exactly where teams want them most, on open-ended generation,\" Chen said. \"Anywhere you can convert generation into verification or constrained selection (structured outputs, checkable answers, execution tests), you reopen the ceiling.\" Ultimately, the researchers found this ceiling limits AI applications in two distinct ways, depending on the domain: Ceiling-bound environments (e.g., open-ended math): The co-failure rate is high. The task is too hard, and all models fail simultaneously. No amount of routing can bypass the lack of underlying capability. Realizability-bound environments (e.g., graduate-level science): The co-failure rate is near zero, meaning at least one model in the pool usually knows the answer. However, the models disagree so subtly that a routing layer cannot reliably pick the correct answer without an omniscient oracle. The $0 pre-deployment sanity check Before dedicating engineering hours to building a router, teams can calculate their absolute performance ceiling for free using a mathematical formula called a Clopper-Pearson bound. The Clopper-Pearson bound operates as a worst-case scenario calculator. If you flip a coin ten times and get eight heads, you cannot guarantee the coin will land on heads 80% of the time forever. The bound takes a small sample of test questions and outputs a mathematically guaranteed ceiling. Applied to language models, suppose a team tests a pool of five agents on 50 sample queries and finds they all fail together on just two questions. A developer might assume their multi-agent system will achieve 96% accuracy in production. The Clopper-Pearson formula corrects this optimism. It analyzes the small sample size and provides a mathematical guarantee that the true co-failure rate could actually be as high as 12%. To use this in practice, enterprises must build a held-out dataset. A fintech company, for example, could take 200 complex customer support tickets from the previous quarter and have human agents write perfect resolutions to serve as a benchmark. While this sounds like a heavy manual project, mature engineering teams can automate the entire ceiling calculation. \"Integration is trivial: it's a counting job over eval logs teams already produce,\" Chen notes, \"so it runs in the same CI stage as the eval suite and re-triggers whenever the model pool or the workload changes.\" The engineering team then runs its candidate models against these 200 tickets once and records the results. When they want to evaluate multi-model configurations, they can use the co-failure rate measure to predict the maximum accuracy they can get from the system without running extra queries. One important conclusion the study draws is that on tasks where answers can be definitively checked, combining models rarely beats using the single best model on the market, unless the team possesses an exceptionally strong query-level routing signal. In an enterprise environment, a definitively checked task has an objective, zero-tolerance answer. This includes generating a SQL query that must execute without error, extracting a specific invoice total from a 50-page PDF, or formatting a JSON payload that perfectly matches a strict schema. For these tasks, enterprises are usually better off paying a premium for the smartest frontier model rather than weaving together three cheaper models and hoping a router picks the correct output. The study didn't test subjective, ungraded tasks like drafting marketing copy — the authors note that whether these findings hold outside their verifiable benchmarks remains an open question. Because this mathematical check is free, enterprise teams can track their own co-failure rates as new models drop. \"The measurement costs nothing, so any team can track its own co-failure rate across model generations and watch whether the tail is closing,\" says Chen. Ultimately, \"the lever buyers hold is failure-mode heterogeneity and market churn, not model count.\"",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/2v6ktEycEenOAx43dJ5Ncq\/61fb4acdaa072dbeb71a9fece4a734e3\/hard_prompt_breaking_through_multi-llm_setup.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/enterprises-using-multiple-ai-models-are-underestimating-failure-rates-by-2-25x",
            "date": "2026-07-09",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تقلل الشركات التي تستخدم نماذج الذكاء الاصطناعي المتعددة من معدلات الفشل بمقدار 2.25 مرة",
            "summary_ar": "يفترض فريق توجيه الاستعلامات عبر متخصص في الترميز، ومتخصص في المنطق، ونموذج عام أن كل منهم سيغطي النقاط العمياء للآخرين. أظهرت دراسة جديدة تقيم 67 نموذجًا حدوديًا من 21 مزودًا أن الافتراض معيب من الناحية الرياضية - والخلل له اسم: سقف الفشل المشترك. يعمل الافتراض على النحو التالي: طالما أن النموذجين لا يفشلان عادة في نفس المطالبات بالضبط، فمن المفترض أن يؤدي الجمع بينهما إلى إنشاء شبكة أمان ضد حالات الفشل. إن الحد الحقيقي للتنسيق ليس هو عدد المرات التي تختلف فيها النماذج، ولكن النسبة المئوية للمطالبات حيث يعطي كل نموذج في المجموعة إجابة خاطئة في وقت واحد. ومن خلال تجاهل سقف الفشل المشترك، تقوم المؤسسات ببناء بنية تحتية معقدة ومكلفة للتوجيه لمطاردة مكاسب الأداء التي لا وجود لها. لحسن الحظ،",
            "body_ar": "يفترض فريق توجيه الاستعلامات عبر متخصص في الترميز، ومتخصص في المنطق، ونموذج عام أن كل منهم سيغطي النقاط العمياء للآخرين. أظهرت دراسة جديدة تقيم 67 نموذجًا حدوديًا من 21 مزودًا أن الافتراض معيب من الناحية الرياضية - والخلل له اسم: سقف الفشل المشترك. يعمل الافتراض على النحو التالي: طالما أن النموذجين لا يفشلان عادة في نفس المطالبات بالضبط، فمن المفترض أن يؤدي الجمع بينهما إلى إنشاء شبكة أمان ضد حالات الفشل. إن الحد الحقيقي للتنسيق ليس هو عدد المرات التي تختلف فيها النماذج، ولكن النسبة المئوية للمطالبات حيث يعطي كل نموذج في المجموعة إجابة خاطئة في وقت واحد. ومن خلال تجاهل سقف الفشل المشترك، تقوم المؤسسات ببناء بنية تحتية معقدة ومكلفة للتوجيه لمطاردة مكاسب الأداء التي لا وجود لها. ولحسن الحظ، يمكن للمطورين استخدام نفس هذه الحسابات لإنشاء اختبار مجاني يحدد بالضبط متى سيؤتي التنسيق متعدد النماذج ثماره فعليًا. التكاليف الخفية لاستراتيجية النماذج المتعددة لتنسيق نماذج اللغات المتعددة، يعتمد المطورون عادة على ثلاث بنيات. تعمل أجهزة التوجيه النموذجية كشرطة مرور، حيث ترسل استعلامات معقدة إلى نماذج باهظة الثمن واستعلامات بسيطة إلى نماذج أرخص. ترسل Cascades كل مطالبة إلى نموذج رخيص أولاً، وتتصاعد إلى نموذج متميز فقط إذا أشار النظام الأولي إلى انخفاض الثقة. وأخيرًا، تقوم أساليب مثل Mixture-of-Agents (MoA) بدمج نماذج متعددة عن طريق طرح نفس السؤال عليها وتوليد إجابة مركبة من مخرجاتها المجمعة. تقدم هذه البنى \"سعر الظل\" لاستنتاج التكاليف. في كل مرة يقوم فيها فريق التطوير بتنفيذ جهاز توجيه أو سلسلة، فإنهم يدفعون علاوة على زمن الوصول الإضافي للنظام، وصيانة البنية التحتية المعقدة، وزيادة مخاطر الحوكمة عبر موفري واجهة برمجة التطبيقات المتعددة. لتبرير هذه التكاليف التشغيلية، يعتمد المهندسون على \"ارتباط الأخطاء الزوجية\" لاختيار مجموعة النماذج الخاصة بهم. تخيل أن أحد المطورين لديه النموذج A، الذي يكتب لغة Python بشكل ممتاز ولكنه يفشل في لغة SQL، والنموذج B، الذي يكتب لغة SQL بشكل ممتاز ولكنه يفشل في لغة Python. ولأنها تفشل في أنواع مختلفة من المطالبات، فإن ارتباط الأخطاء الزوجية الخاص بها يكون منخفضًا. يفترض المطور أنه من خلال وضع طبقة توجيه أمامه، فقد أنشأ نظامًا مركبًا نادرًا ما يفشل في البرمجة. وفقًا للدراسة، فإن جمع نماذج متنوعة معًا بناءً على ارتباط منخفض يمكن أن يضر الأداء إذا لم تكن النماذج على نفس القدر من الكفاءة - عندما تصوت عبر نماذج متنوعة ولكن غير متكافئة، غالبًا ما تتجمع النماذج الأضعف وتتفوق على النموذج الأذكى. قال جوزيف تشين، مؤلف البحث، لموقع VentureBeat إنه في تجاربهم، \"كان للتصويت بالأغلبية الساذجة عبر النماذج غير المتكافئة مكاسب سلبية (ناقص 10 نقاط في مزيجنا الثابت): الأعضاء المتنوعون ولكن الأضعف يتفوقون على الأعضاء الأقوياء\". النصيحة القابلة للتنفيذ للمطورين هي \"دمج النماذج فقط ضمن نطاق الجودة المطابق.\" إذا لم تتمكن من مطابقة الجودة، فاستخدم خط الأساس للنموذج الفردي وأنفق ميزانيتك على أفضل نموذج متاح. توفر هذه الورقة نقطة مضيئة واحدة لهذا النهج فيما يتعلق بهندسة وزارة الزراعة. عند بناء المجموعات، غالبًا ما تستخدم الفرق \"Self-MoA\"، حيث يقومون بالاستعلام عن نفس النموذج المتميز عدة مرات لإنشاء إجابة مركبة. وجد الباحثون أنه عند الجودة المتطابقة، فإن بناء مجموعة متنوعة من النماذج ذات الارتباط الزوجي المنخفض يتفوق على إعداد MoA عالي الارتباط. ومع ذلك، عندما تستخدم الفرق نفس مقياس الارتباط الزوجي للتنبؤ بالدقة المطلقة لنظامها العام، تنهار الرياضيات. وقال تشين: \"لذا تدفع الفرق تكاليف التنسيق مقدمًا (زمن الوصول، والتعقيد، وعمليات مقدمي الخدمات المتعددين) على افتراض أن أرباح التنوع ستصل لاحقًا\". \"عادة لا يحدث ذلك، لأن أفضل النماذج اليوم تتفق، والأسوأ من ذلك أنها تفشل في نفس الاستفسارات... فالموجه يحمل ببساطة إشارة قليلة حول النموذج الذي سيكون هو الصحيح عندما تختلف الحدود.\" لماذا تفشل الرياضيات: سقف الفشل المشترك تركز النتيجة الأساسية للدراسة على مقياس يسمى \"معدل الفشل المشترك\" - وهو الاسم الرسمي للسيناريو الخاطئ الموصوف أعلاه. لا يمكن لأي جهاز توجيه أو نظام تصويت أو سلسلة متتالية تحقيق دقة أعلى من السقف الذي يفرضه. تُظهِر مجموعة الترميز والمنطق والعامة ارتباطًا زوجيًا منخفضًا في المطالبات الروتينية - ونادرًا ما تفشل معًا. لكن سقف الفشل المشترك يمثل حالة حافة غامضة ومعقدة للغاية تتجاوز حدود بنيات الذكاء الاصطناعي الحالية. إذا كانت المطالبة صعبة للغاية لدرجة أن النماذج الثلاثة تهلوس أو تفشل، فلا يهم مدى ذكاء جهاز التوجيه في توزيع المهمة. يتم مسح المسبح بأكمله مرة واحدة. اختبر الباحثون مجموعتهم المكونة من 67 نموذجًا، والتي تضمنت GPT-5.5، وClaude Opus 4.8، وGemini 3.1 Pro، على مقياس الرياضيات MATH-500 المفتوح. واستنادًا إلى الارتباط الزوجي القياسي، توقعت النماذج الإحصائية أن يتم حذف المجموعة بأكملها في وقت واحد من 2.3% فقط من الأسئلة. في الواقع، كان معدل الفشل المشترك 5.2%. قللت مقاييس الارتباط القياسية من تقدير معدل الفشل بنحو 2.25 مرة. السبب ليس مجرد صعوبة مستقلة، بل نقطة فشل مشتركة. وقال تشين: \"المحرك هو ما نسميه ذرة الوضع المشترك: شريحة من الاستعلامات التي يفشل فيها السوق بأكمله معًا، والتي لا يمكن لأي إحصائية زوجية رؤيتها\". \"إن إضافة النموذج العشرين إلى مجموعتك لا يشتري تغطية الذيل. الذيل مشترك.\" ووجد الباحثون أيضًا أن تنسيق المهمة يؤدي بشكل مباشر إلى الفشل المشترك. وعندما أخذوا أسئلة علمية على مستوى الدراسات العليا من معيار GPQA وقاموا بتغييرها من تنسيقات الاختيار المتعدد إلى تنسيقات الإجابة الحرة، توسعت نسبة الأخطاء إلى 12.7%. ومع ذلك، يمكن للمطورين إجراء هندسة حول السقف. وقال تشين: \"إن التضمين الهندسي غير مريح: فالأجهزة متعددة النماذج تشتري أقل ما تريده الفرق بالضبط، على جيل مفتوح\". \"في أي مكان يمكنك فيه تحويل التوليد إلى تحقق أو اختيار مقيد (المخرجات المنظمة، والإجابات القابلة للتحقق، واختبارات التنفيذ)، فإنك تعيد فتح السقف.\" في النهاية، وجد الباحثون أن هذا السقف يحد من تطبيقات الذكاء الاصطناعي بطريقتين مختلفتين، اعتمادًا على المجال: البيئات المقيدة بالسقف (على سبيل المثال، الرياضيات المفتوحة): معدل الفشل المشترك مرتفع. المهمة صعبة للغاية، وجميع النماذج تفشل في وقت واحد. لا يمكن لأي قدر من التوجيه تجاوز الافتقار إلى القدرة الأساسية. البيئات المرتبطة بالقابلية للتنفيذ (على سبيل المثال، العلوم على مستوى الدراسات العليا): معدل الفشل المشترك يقترب من الصفر، مما يعني أن نموذجًا واحدًا على الأقل في المجموعة يعرف الإجابة عادةً. ومع ذلك، فإن النماذج تختلف بشكل دقيق لدرجة أن طبقة التوجيه لا يمكنها اختيار الإجابة الصحيحة بشكل موثوق دون وجود أوراكل كلي العلم. فحص السلامة قبل النشر بقيمة 0 دولار قبل تخصيص ساعات الهندسة لبناء جهاز توجيه، يمكن للفرق حساب سقف الأداء المطلق مجانًا باستخدام معادلة رياضية تسمى ارتباط Clopper-Pearson. يعمل ارتباط Clopper-Pearson كآلة حاسبة للسيناريو الأسوأ. إذا قمت بقلب عملة معدنية عشر مرات وحصلت على ثمانية صور، فلا يمكنك ضمان أن العملة ستستقر على الصورة بنسبة 80% من الوقت إلى الأبد. يأخذ الرابط عينة صغيرة من أسئلة الاختبار ويخرج سقفًا مضمونًا رياضيًا. وبالتطبيق على النماذج اللغوية، لنفترض أن فريقًا اختبر مجموعة من خمسة وكلاء في 50 عينة من الاستعلامات ووجد أنهم جميعًا يفشلون معًا في سؤالين فقط. قد يفترض المطور أن نظامه متعدد الوكلاء سيحقق دقة بنسبة 96% في الإنتاج. وتعمل صيغة كلوبر-بيرسون على تصحيح هذا التفاؤل. فهو يحلل حجم العينة الصغير ويوفر ضمانًا رياضيًا بأن معدل الفشل المشترك الحقيقي يمكن أن يصل في الواقع إلى 12%. لاستخدام هذا في الممارسة العملية، يجب على المؤسسات إنشاء مجموعة بيانات محفوظة. على سبيل المثال، يمكن لشركة التكنولوجيا المالية أن تحصل على 200 تذكرة معقدة لدعم العملاء من الربع السابق وأن تطلب من الوكلاء البشريين كتابة قرارات مثالية لتكون بمثابة معيار. في حين أن هذا يبدو وكأنه مشروع يدوي ثقيل، إلا أن فرق الهندسة الناضجة يمكنها أتمتة حساب السقف بالكامل. ويشير تشين إلى أن \"التكامل أمر تافه: فهو عبارة عن مهمة عد لسجلات التقييم التي تنتجها الفرق بالفعل، لذا فهو يعمل في نفس مرحلة CI مثل مجموعة التقييم ويتم إعادة تشغيله كلما تغير تجمع النماذج أو عبء العمل.\" يقوم الفريق الهندسي بعد ذلك بإجراء نماذجه المرشحة على هذه التذاكر الـ 200 مرة واحدة ويسجل النتائج. عندما يريدون تقييم التكوينات متعددة النماذج، يمكنهم استخدام مقياس معدل الفشل المشترك للتنبؤ بأقصى قدر من الدقة يمكنهم الحصول عليه من النظام دون تشغيل استعلامات إضافية. أحد الاستنتاجات المهمة التي توصلت إليها الدراسة هو أنه في المهام التي يمكن التحقق من الإجابات فيها بشكل نهائي، نادرًا ما يتفوق دمج النماذج على استخدام النموذج الأفضل في السوق، ما لم يمتلك الفريق إشارة توجيه قوية بشكل استثنائي على مستوى الاستعلام. في بيئة المؤسسة، تكون للمهمة التي تم التحقق منها بشكل نهائي إجابة موضوعية لا تقبل التسامح مطلقًا. يتضمن ذلك إنشاء استعلام SQL يجب تنفيذه دون أخطاء، أو استخراج إجمالي فاتورة محددة من ملف PDF مكون من 50 صفحة، أو تنسيق حمولة JSON التي تتطابق تمامًا مع مخطط صارم. بالنسبة لهذه المهام، عادة ما تكون الشركات أفضل حالًا في دفع علاوة مقابل النموذج الحدودي الأذكى بدلاً من نسج ثلاثة نماذج أرخص معًا والأمل في أن يختار جهاز التوجيه الإخراج الصحيح. لم تختبر الدراسة مهامًا ذاتية غير مصنفة مثل صياغة نسخة تسويقية - لاحظ المؤلفون أن ما إذا كانت هذه النتائج خارج نطاق معاييرها التي يمكن التحقق منها يظل سؤالًا مفتوحًا. ونظرًا لأن هذا الفحص الرياضي مجاني، يمكن لفرق المؤسسة تتبع معدلات الفشل المشترك الخاصة بها مع انخفاض النماذج الجديدة. يقول تشين: \"إن القياس لا يكلف شيئًا، لذلك يمكن لأي فريق تتبع معدل الفشل المشترك الخاص به عبر أجيال النماذج ومراقبة ما إذا كان الذيل قد انتهى\". في نهاية المطاف، \"إن الرافعة التي يمتلكها المشترون هي عدم تجانس نمط الفشل واضطراب السوق، وليس النموذج عدد.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/the-enterprise-ai-challenge-nobody-solves-with-code-generation-alone",
            "title_en": "The enterprise AI challenge nobody solves with code generation alone",
            "summary_en": "Presented by SAP Generating code with AI is fast, but getting that code to run reliably inside a large enterprise, integrated with live systems, governed for compliance, and maintainable over years requires foundational work that most organizations underestimate. While 81% of all organizations have a detailed strategy, only 12–16% reach AI‑driven execution , says SAP's Michael Ameling, CPO of SAP Business Technology Platform, and the reasons rarely come down to the quality of the generated code. \"Across industries, enterprises that have invested heavily in AI tooling are hitting a wall when generated code meets the reality of their existing environments, because generating code and operationalizing it are not the same problem,\" Ameling says. There are specific requirements for deployi",
            "body_en": "Presented by SAP Generating code with AI is fast, but getting that code to run reliably inside a large enterprise, integrated with live systems, governed for compliance, and maintainable over years requires foundational work that most organizations underestimate. While 81% of all organizations have a detailed strategy, only 12–16% reach AI‑driven execution , says SAP's Michael Ameling, CPO of SAP Business Technology Platform, and the reasons rarely come down to the quality of the generated code. \"Across industries, enterprises that have invested heavily in AI tooling are hitting a wall when generated code meets the reality of their existing environments, because generating code and operationalizing it are not the same problem,\" Ameling says. There are specific requirements for deploying AI-generated logic at enterprise scale: what data and integration readiness actually look like, how governance works when AI agents move from producing recommendations to executing workflows, and how development teams are changing their role as AI takes over more of the coding work. Why AI code generation fails in enterprise production environments The productivity gains from AI code generation are real and well-documented, but the ease of prototyping has given many organizations a misleading sense of how far along they actually are. \"Generating code is one thing,\" Ameling says. \"Enterprise customers, including multinationals and large organizations, need to ensure there are no compromises in compliance or security. Code that runs reliably for ten or twenty years, as it does at many of SAP's largest customers, also has to be maintained, patched, and understood by whoever inherits it. Life cycle management, in other words, does not generate itself.\" The issue is rarely the generation quality. Teams build something compelling, then discover they lack access to the data it depends on, or the integrations it assumes, or the permissions required to run it in a real environment. The problem is essentially that AI amplifies an organization's existing data and process maturity, but it can't substitute for it. This dynamic intensifies as AI moves from producing code to executing actions. Latency, cost, and system load all increase when logic runs continuously against live data rather than rendering a one-time output. The performance requirements of an autonomous agent operating across a multinational's transaction systems are categorically different from those of a developer copilot. How to connect AI-generated logic to fragmented enterprise systems The architecture challenge that most enterprise AI projects underestimate is integration. Real enterprise environments are not clean slates: they combine cloud systems, legacy on-premise infrastructure, fragmented data stores, and dozens of business applications that were never designed to talk to each other. Getting AI-generated logic to operate reliably across all of them requires a layer that unifies data access, process context, and governance, and it has to be in place before any agent starts executing. And organizations that see AI as a reason to defer infrastructure modernization are making a mistake. \"The question is not whether to modernize or not. Of course you need to modernize,\" Ameling says. \"But the value you get on top of this is much higher with AI. Federated data access and harmonized process layers are not alternatives to upgrading a fragmented landscape, they're what make the upgrade worthwhile.\" At the platform level, this translates into a set of practical requirements: structured data integration, end-to-end process visibility, and the ability to discover and connect to APIs across both modern and legacy systems. SAP's approach with the Business AI Platform draws on tools including its Joule Studio, Integration Suite, Business Data Cloud, and SAP AI Agent Hub enterprise architecture layer to provide that context. The goal is to give AI-generated logic accurate, current knowledge of what a business is doing and how, rather than just access to raw data. AI agents handle large challenges by dividing them into smaller, autonomous tasks, with each agent responsible for a specific domain, and all coordinated toward a shared outcome. A financial close, for example, involves dozens of discrete sub-processes. Agents handling each task in parallel, within defined constraints, can compress cycle times dramatically, but only if the underlying systems they interact with are coherent and accessible. The governance and oversight that AI agents require in production When AI moves from assistant to operational actor, the governance questions loom large, because agents that trigger workflows, update records, and interact with live business systems need the same accountability framework that applies to human employees, i.e., identities, defined privileges, and auditable behavior. There are two distinct models: Principal propagation, where an agent acts on a user’s behalf, inheriting that user’s permissions and scope. System-triggered agents, where the agent operates under its own identity and role-defined privileges, functioning more like an automated HR role than a personal assistant. Both models require the same underlying infrastructure: an agent hub where operators can see which agents exist, what APIs they can access, and what they are authorized to do. Observability also needs to be operationalized correctly for AI, combined with both technical and business evals. \"In production, openness is very important,\" Ameling says. \"We use OpenTelemetry as a framework, so we can integrate with other solutions, for end-to-end observability of the tool, third-party agents and the like.\" On top of that, standard technical evals, which test whether an agent produces consistent outputs, are necessary but not enough. Business evals assess whether an agent is actually moving the performance indicators it was deployed to improve, but it has to work end-to-end. Where the testing happens is equally important. The traditional software development cycle across dev, test, and production environments breaks down when a model produces different outputs depending on whether it is running against test data or live data. Getting to trustworthy AI in production means accepting that validation looks fundamentally different from what engineering teams have practiced for decades, with live environment testing, even A\/B\/C testing to ensure outcomes are reliable. How AI-driven code generation is changing software engineering roles The role of the developer is not disappearing in this environment, but its center of gravity is shifting. The productivity multiplier is significant when developers can run multiple coding agents in parallel across open terminals, each working on a separate problem and each taking several minutes to complete. But it introduces a new kind of cognitive demand, because humans have to stay in the loop. That means tracking context across concurrent workstreams, evaluating outputs that range across large codebases, and making architectural judgments that no agent can be trusted to make alone. \"The more specific and complete the prompt, the less intervention is required, and developers are learning that bringing more context upfront pays dividends in reduced back-and-forth,\" Ameling says. \"But the output still needs to be understood, not just accepted.\" The competitive edge will remain intellectual property, not tooling. The companies that pull ahead will be those that most effectively encode their domain knowledge into the systems they build. \"A manufacturer's process expertise, a financial institution's risk logic, a logistics firm's routing intelligence, these are the assets that AI can accelerate, but only if the organizations that hold them do the work to make them accessible and usable,\" Ameling says. \"Protect that, and apply AI to accelerate your differentiation.\" Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/7zSNxewV8pGdsw8LE6bkdv\/37cb42e21f6ea9c22417990f48d9a95c\/AdobeStock_1878104375.jpeg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/the-enterprise-ai-challenge-nobody-solves-with-code-generation-alone",
            "date": "2026-07-09",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "لا أحد يستطيع حل تحدي الذكاء الاصطناعي المؤسسي من خلال توليد التعليمات البرمجية وحده",
            "summary_ar": "يعد إنشاء التعليمات البرمجية باستخدام الذكاء الاصطناعي أمرًا سريعًا، ولكن تشغيل هذه التعليمات البرمجية بشكل موثوق داخل مؤسسة كبيرة، ومتكاملة مع الأنظمة الحية، ومحكومة للامتثال، وقابلة للصيانة على مدار السنوات، يتطلب عملاً تأسيسيًا تقلل من أهميته معظم المؤسسات. في حين أن 81% من جميع المؤسسات لديها استراتيجية مفصلة، ​​فإن 12% إلى 16% فقط تصل إلى التنفيذ المعتمد على الذكاء الاصطناعي، كما يقول مايكل أملينج من SAP، والرئيس التنفيذي لشؤون المشتريات في SAP Business Technology Platform، ونادرًا ما تعود الأسباب إلى جودة التعليمات البرمجية التي تم إنشاؤها. يقول أملينج: \"في جميع الصناعات، تصطدم المؤسسات التي استثمرت بكثافة في أدوات الذكاء الاصطناعي بحائط عندما تتوافق التعليمات البرمجية التي تم إنشاؤها مع واقع بيئاتها الحالية، لأن توليد التعليمات البرمجية وتشغيلها ليسا نفس المشكلة\". هناك متطلبات محددة ل نشر",
            "body_ar": "يعد إنشاء التعليمات البرمجية باستخدام الذكاء الاصطناعي أمرًا سريعًا، ولكن تشغيل هذه التعليمات البرمجية بشكل موثوق داخل مؤسسة كبيرة، ومتكاملة مع الأنظمة الحية، ومحكومة للامتثال، وقابلة للصيانة على مدار السنوات، يتطلب عملاً تأسيسيًا تقلل من أهميته معظم المؤسسات. في حين أن 81% من جميع المؤسسات لديها استراتيجية مفصلة، ​​فإن 12% إلى 16% فقط تصل إلى التنفيذ المعتمد على الذكاء الاصطناعي، كما يقول مايكل أملينج من SAP، والرئيس التنفيذي لشؤون المشتريات في SAP Business Technology Platform، ونادرًا ما تعود الأسباب إلى جودة التعليمات البرمجية التي تم إنشاؤها. يقول أملينج: \"في جميع الصناعات، تصطدم المؤسسات التي استثمرت بكثافة في أدوات الذكاء الاصطناعي بحائط عندما تتوافق التعليمات البرمجية التي تم إنشاؤها مع واقع بيئاتها الحالية، لأن توليد التعليمات البرمجية وتشغيلها ليسا نفس المشكلة\". هناك متطلبات محددة لنشر المنطق الناتج عن الذكاء الاصطناعي على مستوى المؤسسة: كيف تبدو جاهزية البيانات والتكامل فعليًا، وكيف تعمل الحوكمة عندما ينتقل وكلاء الذكاء الاصطناعي من إنتاج التوصيات إلى تنفيذ سير العمل، وكيف تغير فرق التطوير دورها عندما يتولى الذكاء الاصطناعي المزيد من أعمال الترميز. لماذا يفشل إنشاء أكواد الذكاء الاصطناعي في بيئات إنتاج المؤسسات؟ إن مكاسب الإنتاجية الناتجة عن إنشاء أكواد الذكاء الاصطناعي حقيقية وموثقة جيدًا، لكن سهولة إنشاء النماذج الأولية أعطت العديد من المؤسسات إحساسًا مضللاً بمدى تقدمها الفعلي. يقول أملينج: \"إن إنشاء التعليمات البرمجية هو شيء واحد\". \"يحتاج العملاء من المؤسسات، بما في ذلك الشركات متعددة الجنسيات والمؤسسات الكبيرة، إلى التأكد من عدم وجود أي تنازلات فيما يتعلق بالامتثال أو الأمان. إن التعليمات البرمجية التي يتم تشغيلها بشكل موثوق لمدة عشر أو عشرين عامًا، كما هو الحال لدى العديد من كبار عملاء SAP، يجب أيضًا صيانتها وتصحيحها وفهمها من قبل كل من يرثها. بعبارة أخرى، إدارة دورة الحياة لا تولد نفسها.\" نادرًا ما تكون المشكلة هي جودة التوليد. تقوم الفرق ببناء شيء مقنع، ثم تكتشف أنها تفتقر إلى الوصول إلى البيانات التي تعتمد عليها، أو عمليات التكامل التي تفترضها، أو الأذونات المطلوبة لتشغيلها في بيئة حقيقية. تكمن المشكلة في الأساس في أن الذكاء الاصطناعي يعمل على تضخيم البيانات الحالية للمؤسسة ونضج العمليات، لكنه لا يمكنه أن يحل محلها. وتتكثف هذه الديناميكية مع انتقال الذكاء الاصطناعي من إنتاج التعليمات البرمجية إلى تنفيذ الإجراءات. يزداد زمن الوصول والتكلفة وتحميل النظام عند تشغيل المنطق بشكل مستمر مقابل البيانات المباشرة بدلاً من تقديم مخرجات لمرة واحدة. تختلف متطلبات الأداء للوكيل المستقل الذي يعمل عبر أنظمة المعاملات الخاصة بشركة متعددة الجنسيات بشكل قاطع عن تلك الخاصة بمساعد الطيار المطور. كيفية ربط المنطق الناتج عن الذكاء الاصطناعي بأنظمة المؤسسات المجزأة إن التحدي المعماري الذي تقلل معظم مشاريع الذكاء الاصطناعي في المؤسسات من تقديره هو التكامل. بيئات المؤسسات الحقيقية ليست ألواحًا نظيفة: فهي تجمع بين الأنظمة السحابية والبنية التحتية القديمة ومخازن البيانات المجزأة وعشرات تطبيقات الأعمال التي لم يتم تصميمها مطلقًا للتحدث مع بعضها البعض. إن جعل المنطق الناتج عن الذكاء الاصطناعي يعمل بشكل موثوق عبر كل هذه الأنظمة يتطلب طبقة توحد الوصول إلى البيانات وسياق العملية والحوكمة، ويجب أن تكون موجودة قبل أن يبدأ أي وكيل في التنفيذ. والمنظمات التي ترى أن الذكاء الاصطناعي سبباً لتأجيل تحديث البنية التحتية ترتكب خطأً. يقول أملينج: \"السؤال ليس ما إذا كان يجب التحديث أم لا. بالطبع أنت بحاجة إلى التحديث\". \"لكن القيمة التي تحصل عليها علاوة على ذلك أعلى بكثير مع الذكاء الاصطناعي. لا يعد الوصول الموحد إلى البيانات وطبقات العملية المنسقة بدائل لترقية المشهد المجزأ، بل هو ما يجعل الترقية جديرة بالاهتمام.\" على مستوى النظام الأساسي، يُترجم هذا إلى مجموعة من المتطلبات العملية: تكامل البيانات المنظمة، ورؤية العملية الشاملة، والقدرة على اكتشاف واجهات برمجة التطبيقات والاتصال بها عبر كل من الأنظمة الحديثة والقديمة. يعتمد نهج SAP مع منصة Business AI Platform على الأدوات بما في ذلك Joule Studio، وIntegration Suite، وBusiness Data Cloud، وطبقة بنية المؤسسة SAP AI Agent Hub لتوفير هذا السياق. الهدف هو إعطاء المنطق الناتج عن الذكاء الاصطناعي معرفة دقيقة وحديثة عما تفعله الشركة وكيف تفعله، بدلاً من مجرد الوصول إلى البيانات الأولية. يتعامل وكلاء الذكاء الاصطناعي مع التحديات الكبيرة من خلال تقسيمها إلى مهام أصغر ومستقلة، حيث يكون كل وكيل مسؤولاً عن مجال معين، ويتم تنسيقها جميعًا لتحقيق نتيجة مشتركة. على سبيل المثال، يتضمن الإغلاق المالي العشرات من العمليات الفرعية المنفصلة. يمكن للوكلاء الذين يتعاملون مع كل مهمة بالتوازي، ضمن قيود محددة، ضغط أوقات الدورات بشكل كبير، ولكن فقط إذا كانت الأنظمة الأساسية التي يتفاعلون معها متماسكة ويمكن الوصول إليها. الحوكمة والرقابة التي يتطلبها وكلاء الذكاء الاصطناعي في الإنتاج عندما ينتقل الذكاء الاصطناعي من مساعد إلى ممثل تنفيذي، فإن أسئلة الحوكمة تلوح في الأفق، لأن الوكلاء الذين يقومون بتشغيل سير العمل، وتحديث السجلات، والتفاعل مع أنظمة الأعمال الحية يحتاجون إلى نفس إطار المساءلة الذي ينطبق على الموظفين البشريين، أي الهويات والامتيازات المحددة والسلوك القابل للتدقيق. هناك نموذجان متميزان: النشر الرئيسي، حيث يعمل الوكيل نيابة عن المستخدم، ويرث أذونات هذا المستخدم ونطاقه. الوكلاء الذين يتم تشغيلهم بواسطة النظام، حيث يعمل الوكيل بهويته الخاصة وامتيازاته المحددة للدور، ويعمل مثل دور الموارد البشرية الآلي أكثر من كونه مساعدًا شخصيًا. يتطلب كلا النموذجين نفس البنية التحتية الأساسية: مركز وكيل حيث يمكن للمشغلين معرفة الوكلاء الموجودين، وما هي واجهات برمجة التطبيقات التي يمكنهم الوصول إليها، وما هو المصرح لهم بفعله. يجب أيضًا تفعيل إمكانية المراقبة بشكل صحيح بالنسبة للذكاء الاصطناعي، إلى جانب التقييمات الفنية والتجارية. يقول أملينج: \"في الإنتاج، يعد الانفتاح أمرًا مهمًا للغاية\". \"نحن نستخدم OpenTelemetry كإطار عمل، حتى نتمكن من التكامل مع الحلول الأخرى، من أجل إمكانية المراقبة الشاملة للأداة، ووكلاء الطرف الثالث وما شابه.\" علاوة على ذلك، فإن التقييمات الفنية القياسية، التي تختبر ما إذا كان الوكيل ينتج مخرجات متسقة، ضرورية ولكنها ليست كافية. يقوم القائمون على تقييم الأعمال بتقييم ما إذا كان الوكيل يقوم بالفعل بتحريك مؤشرات الأداء التي تم نشرها لتحسينها، ولكن يجب عليه العمل بشكل شامل. مكان إجراء الاختبار له نفس القدر من الأهمية. تنهار دورة تطوير البرامج التقليدية عبر بيئات التطوير والاختبار والإنتاج عندما ينتج النموذج مخرجات مختلفة اعتمادًا على ما إذا كان يعمل مقابل بيانات الاختبار أو البيانات المباشرة. إن الوصول إلى الذكاء الاصطناعي الجدير بالثقة في الإنتاج يعني قبول أن التحقق يبدو مختلفًا بشكل أساسي عما مارسته الفرق الهندسية لعقود من الزمن، مع اختبار البيئة الحية، وحتى اختبار A\/B\/C لضمان موثوقية النتائج. كيف يغير توليد الأكواد المستندة إلى الذكاء الاصطناعي أدوار هندسة البرمجيات؟ لا يختفي دور المطور في هذه البيئة، ولكن مركز ثقله يتغير. يكون مضاعف الإنتاجية مهمًا عندما يتمكن المطورون من تشغيل العديد من وكلاء الترميز بالتوازي عبر المحطات المفتوحة، حيث يعمل كل منهم على مشكلة منفصلة ويستغرق كل منهم عدة دقائق لإكماله. ولكنه يقدم نوعًا جديدًا من الطلب المعرفي، لأنه يتعين على البشر البقاء في الحلقة. وهذا يعني تتبع السياق عبر مسارات العمل المتزامنة، وتقييم المخرجات التي تتراوح عبر قواعد تعليمات برمجية كبيرة، وإصدار أحكام معمارية لا يمكن الوثوق بأي وكيل للقيام بها بمفرده. يقول أملينج: \"كلما كانت المطالبة أكثر تحديدًا واكتمالًا، قل التدخل المطلوب، ويتعلم المطورون أن جلب المزيد من السياق مقدمًا يؤتي ثماره في تقليل التقلبات\". \"لكن النتيجة لا تزال بحاجة إلى أن تكون مفهومة، وليس مجرد قبولها.\" وستظل الميزة التنافسية هي الملكية الفكرية، وليس الأدوات. والشركات التي تتقدم للأمام ستكون تلك التي تقوم بتشفير معرفتها بالمجال بشكل أكثر فعالية في الأنظمة التي تبنيها. يقول أملينج: \"إن الخبرة العملية للشركة المصنعة، ومنطق المخاطر الخاص بالمؤسسة المالية، ومعلومات التوجيه الخاصة بشركة الخدمات اللوجستية، هي الأصول التي يمكن للذكاء الاصطناعي تسريعها، ولكن فقط إذا قامت المنظمات التي تمتلكها بالعمل على جعلها في متناول الجميع وقابلة للاستخدام\". \"قم بحماية ذلك، وقم بتطبيق الذكاء الاصطناعي لتسريع عملية التمايز الخاصة بك.\" المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/one-interface-isnt-enough-for-enterprise-ai",
            "title_en": "One interface isn't enough for enterprise AI",
            "summary_en": "Presented by Oracle NetSuite Every major technology transition produces a set of assumptions about where the market is headed. The assumptions are often directionally correct, but they tend to underestimate the degree to which organizations adapt new technologies to their own circumstances. AI is following a similar trajectory. Many current discussions about enterprise AI assume a future in which employees interact with business systems through a common interface. The details vary depending on the prediction, but the destination often looks similar: a conversational system that becomes the primary way people access information, complete tasks, and interact with software. The history of enterprise technology suggests a more complicated outcome. Organizations rarely adopt new capabilities un",
            "body_en": "Presented by Oracle NetSuite Every major technology transition produces a set of assumptions about where the market is headed. The assumptions are often directionally correct, but they tend to underestimate the degree to which organizations adapt new technologies to their own circumstances. AI is following a similar trajectory. Many current discussions about enterprise AI assume a future in which employees interact with business systems through a common interface. The details vary depending on the prediction, but the destination often looks similar: a conversational system that becomes the primary way people access information, complete tasks, and interact with software. The history of enterprise technology suggests a more complicated outcome. Organizations rarely adopt new capabilities uniformly because different parts of the business operate under different constraints. A finance team responsible for reporting accuracy, controls, and approvals approaches technology differently than an analytics group exploring operational data. Both groups have different requirements than a customer service organization focused on response times and case resolution. Even when there is broad agreement that a technology is valuable, the path to adoption tends to vary across functions. The shift to cloud software followed this pattern — some organizations moved aggressively while others spent years operating hybrid environments. Different departments often modernized on different timelines, reflecting the priorities of the work itself rather than any industry consensus about the correct pace of adoption. There’s no one-size-fits-all AI AI has accelerated many aspects of technology development, but it has not changed this underlying dynamic. Organizations still evaluate new capabilities through the lens of existing processes, responsibilities, and operational requirements. For some employees, the most useful AI capabilities may be the least visible ones. A finance manager closing the books is often less interested in a new interface than in shortening a reporting cycle. An operations leader dealing with inventory issues is usually focused on identifying problems earlier and resolving them more quickly. In these situations, the value of AI comes from reducing the amount of effort required to complete existing work. At the same time, another group of users increasingly wants direct interaction with AI systems. Analysts, planners, and operational teams often benefit from the ability to explore information conversationally, compare scenarios, and investigate questions that do not fit neatly into predefined reports. For these users, the interface itself becomes valuable because it provides a more flexible way to work with business information. A customer service representative handling a high volume of inquiries has different requirements than a financial analyst investigating a trend in operating expenses. One benefits from information appearing automatically within an existing process while the other may benefit from the freedom to ask follow-up questions, explore alternative explanations, and move through data more dynamically. Many organizations are discovering that both patterns exist simultaneously, which reflects a broader reality about how businesses evolve. Operational complexity accumulates gradually, systems multiply, and processes become fragmented. Information becomes distributed across applications, reports, spreadsheets, and workflows and employees spend increasing amounts of time locating information before they can begin acting on it. Much of the value created by enterprise software over the last several decades came from reducing that fragmentation. Bringing financials, operations, inventory, customer information, planning, and reporting into a common system created a more complete picture of how the business was operating. AI is beginning to address a related problem. Once information exists within connected systems, employees still need to find it, interpret it, and apply it. Reporting cycles consume time. Routine questions require investigation. Managers often spend considerable effort assembling information before they can make decisions. As organizations grow, these activities become increasingly expensive because they consume attention from people whose expertise is often in short supply. AI's promise is to reduce the effort required to move from information to action. At Dura Software, AI-connected workflows are helping automate portions of revenue reporting that previously required manual preparation during each reporting cycle. Sloan Session, CFO at Dura Software, described the arrangement in practical terms: “The agents handle the pull. The humans handle the judgment and the personal touch.” That observation captures an important aspect of current AI adoption. Most organizations are not attempting to remove judgment from business processes. They are trying to reduce the amount of time spent gathering, organizing, and preparing information so that experienced employees can focus on the decisions that require expertise. A similar pattern emerged at S&B Filters. Employees previously spent several minutes during customer interactions collecting backorder information from multiple systems. By connecting AI to operational data, the company reduced that process to seconds and eventually extended the capability directly to customers through self-service. Don’t forget about governance In both cases, the benefit comes from reducing the friction associated with finding and using information rather than introducing a new interface. The moment information becomes easier to access, questions about access itself become more important. Permissions, approval structures, and security policies exist because businesses need mechanisms for controlling access to information and managing risk. Those requirements do not disappear when employees begin interacting with data through AI systems. If anything, they become more important because AI can make information easier to access. Berry Carter, CEO of S&B Filters, described the principle clearly. If a user cannot access specific information within NetSuite, that user should not gain access to the same information through an AI assistant. The statement sounds obvious. Implementing it consistently across systems, workflows, and models requires considerably more discipline than the statement itself suggests. Lauren Polasek, former NetSuite administrator and board member of the Texas NetSuite User Group, recently made a related point. Connecting technology is often the easier part. Organizations still need to determine which tools should be used, who should have access to them, and how governance should evolve as adoption expands. This is one reason predictions about a single AI interface are difficult to reconcile with how enterprises actually operate. The requirements of a finance organization closing the books are different from those of a customer service team handling thousands of interactions each day. Some AI capabilities will be embedded directly into business processes where employees may barely notice them. Others will provide more direct access to operational information through conversational systems. Many businesses will end up using both approaches because the underlying work is different. Have AI your way That perspective has shaped how we think about AI at NetSuite. Some customers want AI embedded directly within operational workflows. Others want the ability to connect NetSuite data to external models and assistants so they can interact with business information through tools that are already part of their daily work. Increasingly, organizations are asking for both. The NetSuite AI Connector Service and our support for Model Context Protocol (MCP) were designed with that reality in mind. The goal is to allow organizations to connect business information securely to the workflows and systems that make sense for them while continuing to benefit from AI capabilities built directly into NetSuite. The history of enterprise software suggests that adoption rarely follows a straight line. As organizations adopt AI, business leaders should identify the business objective and the workflows involved so they can match the solution to the reality of the work. Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/4x9dSPxassUF3IWNIitCAe\/45be20ce213185ce3def62a788fc6286\/VBImage.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/one-interface-isnt-enough-for-enterprise-ai",
            "date": "2026-07-09",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "واجهة واحدة ليست كافية للذكاء الاصطناعي للمؤسسات",
            "summary_ar": "مقدمة من Oracle NetSuite ينتج عن كل تحول تكنولوجي كبير مجموعة من الافتراضات حول الاتجاه الذي يتجه إليه السوق. غالبًا ما تكون الافتراضات صحيحة من الناحية الاتجاهية، ولكنها تميل إلى التقليل من تقدير الدرجة التي تقوم بها المؤسسات بتكييف التقنيات الجديدة مع ظروفها الخاصة. ويتبع الذكاء الاصطناعي مسارا مماثلا. تفترض العديد من المناقشات الحالية حول الذكاء الاصطناعي المؤسسي مستقبلًا يتفاعل فيه الموظفون مع أنظمة الأعمال من خلال واجهة مشتركة. تختلف التفاصيل اعتمادًا على التنبؤ، لكن الوجهة غالبًا ما تبدو متشابهة: نظام محادثة يصبح الطريقة الأساسية التي يصل بها الأشخاص إلى المعلومات، وإكمال المهام، والتفاعل مع البرامج. ويشير تاريخ تكنولوجيا المؤسسات إلى نتيجة أكثر تعقيدا. نادراً ما تتبنى المنظمات قدرات جديدة الأمم المتحدة",
            "body_ar": "مقدمة من Oracle NetSuite ينتج عن كل تحول تكنولوجي كبير مجموعة من الافتراضات حول الاتجاه الذي يتجه إليه السوق. غالبًا ما تكون الافتراضات صحيحة من الناحية الاتجاهية، ولكنها تميل إلى التقليل من تقدير الدرجة التي تقوم بها المؤسسات بتكييف التقنيات الجديدة مع ظروفها الخاصة. ويتبع الذكاء الاصطناعي مسارا مماثلا. تفترض العديد من المناقشات الحالية حول الذكاء الاصطناعي المؤسسي مستقبلًا يتفاعل فيه الموظفون مع أنظمة الأعمال من خلال واجهة مشتركة. تختلف التفاصيل اعتمادًا على التنبؤ، لكن الوجهة غالبًا ما تبدو متشابهة: نظام محادثة يصبح الطريقة الأساسية التي يصل بها الأشخاص إلى المعلومات، وإكمال المهام، والتفاعل مع البرامج. ويشير تاريخ تكنولوجيا المؤسسات إلى نتيجة أكثر تعقيدا. نادراً ما تتبنى المؤسسات قدرات جديدة بشكل موحد لأن أجزاء مختلفة من العمل تعمل تحت قيود مختلفة. يتعامل الفريق المالي المسؤول عن دقة التقارير والضوابط والموافقات مع التكنولوجيا بشكل مختلف عن مجموعة التحليلات التي تستكشف البيانات التشغيلية. لدى كلا المجموعتين متطلبات مختلفة عن مؤسسة خدمة العملاء التي تركز على أوقات الاستجابة وحل الحالة. حتى عندما يكون هناك اتفاق واسع النطاق على أن التكنولوجيا ذات قيمة، فإن الطريق إلى اعتمادها يميل إلى التباين عبر الوظائف. وقد اتبع التحول إلى البرمجيات السحابية هذا النمط، حيث تحركت بعض المؤسسات بقوة بينما قضت مؤسسات أخرى سنوات في تشغيل بيئات هجينة. غالبًا ما يتم تحديث الأقسام المختلفة وفقًا لجداول زمنية مختلفة، مما يعكس أولويات العمل نفسه بدلاً من أي إجماع في الصناعة حول الوتيرة الصحيحة للاعتماد. لا يوجد مقاس واحد يناسب الجميع في مجال الذكاء الاصطناعي. لقد أدى الذكاء الاصطناعي إلى تسريع العديد من جوانب تطوير التكنولوجيا، لكنه لم يغير هذه الديناميكية الأساسية. لا تزال المنظمات تقوم بتقييم القدرات الجديدة من خلال عدسة العمليات والمسؤوليات والمتطلبات التشغيلية الحالية. بالنسبة لبعض الموظفين، قد تكون قدرات الذكاء الاصطناعي الأكثر فائدة هي الأقل وضوحًا. غالبًا ما يكون المدير المالي الذي يغلق الدفاتر أقل اهتمامًا بالواجهة الجديدة من اهتمامه بتقصير دورة إعداد التقارير. عادةً ما يركز قائد العمليات الذي يتعامل مع مشكلات المخزون على تحديد المشكلات مبكرًا وحلها بسرعة أكبر. في هذه المواقف، تأتي قيمة الذكاء الاصطناعي من تقليل مقدار الجهد المطلوب لإكمال العمل الحالي. وفي الوقت نفسه، ترغب مجموعة أخرى من المستخدمين بشكل متزايد في التفاعل المباشر مع أنظمة الذكاء الاصطناعي. غالبًا ما يستفيد المحللون والمخططون والفرق التشغيلية من القدرة على استكشاف المعلومات بشكل محادثة، ومقارنة السيناريوهات، والتحقيق في الأسئلة التي لا تتناسب بدقة مع التقارير المحددة مسبقًا. بالنسبة لهؤلاء المستخدمين، تصبح الواجهة نفسها ذات قيمة لأنها توفر طريقة أكثر مرونة للتعامل مع معلومات الأعمال. ممثل خدمة العملاء الذي يتعامل مع عدد كبير من الاستفسارات لديه متطلبات مختلفة عن المحلل المالي الذي يبحث في اتجاه نفقات التشغيل. يستفيد أحدهما من ظهور المعلومات تلقائيًا ضمن عملية حالية بينما قد يستفيد الآخر من حرية طرح أسئلة المتابعة، واستكشاف التفسيرات البديلة، والتنقل عبر البيانات بشكل أكثر ديناميكية. تكتشف العديد من المؤسسات أن كلا النموذجين موجودان في وقت واحد، وهو ما يعكس حقيقة أوسع حول كيفية تطور الأعمال. يتراكم التعقيد التشغيلي تدريجياً، وتتضاعف الأنظمة، وتصبح العمليات مجزأة. يتم توزيع المعلومات عبر التطبيقات والتقارير وجداول البيانات ومسارات العمل، ويقضي الموظفون وقتًا متزايدًا في تحديد موقع المعلومات قبل أن يتمكنوا من البدء في التصرف بناءً عليها. إن الكثير من القيمة التي أنشأتها برامج المؤسسات على مدى العقود العديدة الماضية جاءت من تقليل هذا التجزئة. أدى جلب البيانات المالية والعمليات والمخزون ومعلومات العملاء والتخطيط وإعداد التقارير إلى نظام مشترك إلى إنشاء صورة أكثر اكتمالاً لكيفية عمل الشركة. لقد بدأ الذكاء الاصطناعي في معالجة مشكلة ذات صلة. بمجرد وجود المعلومات داخل الأنظمة المتصلة، يظل الموظفون بحاجة إلى العثور عليها وتفسيرها وتطبيقها. دورات إعداد التقارير تستهلك الوقت. الأسئلة الروتينية تتطلب التحقيق. غالبًا ما يبذل المديرون جهدًا كبيرًا في تجميع المعلومات قبل أن يتمكنوا من اتخاذ القرارات. ومع نمو المنظمات، تصبح هذه الأنشطة باهظة الثمن على نحو متزايد لأنها تستهلك اهتمام الأشخاص الذين غالبًا ما تكون خبراتهم قليلة. ويتمثل وعد الذكاء الاصطناعي في تقليل الجهد المطلوب للانتقال من المعلومات إلى العمل. في Dura Software، تساعد مسارات العمل المتصلة بالذكاء الاصطناعي في أتمتة أجزاء من تقارير الإيرادات التي كانت تتطلب في السابق إعدادًا يدويًا خلال كل دورة إعداد تقارير. وصف سلون سيشن، المدير المالي في Dura Software، هذا الترتيب من الناحية العملية: \"يتولى الوكلاء عملية الجذب. ويتولى البشر الحكم واللمسة الشخصية\". تلتقط هذه الملاحظة جانبًا مهمًا من اعتماد الذكاء الاصطناعي الحالي. لا تحاول معظم المنظمات إزالة الأحكام من العمليات التجارية. إنهم يحاولون تقليل مقدار الوقت الذي يقضيه في جمع المعلومات وتنظيمها وإعدادها حتى يتمكن الموظفون ذوو الخبرة من التركيز على القرارات التي تتطلب الخبرة. ظهر نمط مماثل في S&B Filters. كان الموظفون يقضون سابقًا عدة دقائق أثناء تفاعلات العملاء في جمع معلومات الطلب المتأخر من أنظمة متعددة. ومن خلال ربط الذكاء الاصطناعي بالبيانات التشغيلية، خفضت الشركة هذه العملية إلى ثوانٍ، وفي النهاية قامت بتوسيع القدرة مباشرة إلى العملاء من خلال الخدمة الذاتية. لا تنسَ الحوكمة في كلتا الحالتين، تأتي الفائدة من تقليل الاحتكاك المرتبط بالعثور على المعلومات واستخدامها بدلاً من تقديم واجهة جديدة. في اللحظة التي يصبح فيها الوصول إلى المعلومات أسهل، تصبح الأسئلة المتعلقة بالوصول نفسه أكثر أهمية. توجد الأذونات وهياكل الموافقة والسياسات الأمنية لأن الشركات تحتاج إلى آليات للتحكم في الوصول إلى المعلومات وإدارة المخاطر. ولا تختفي هذه المتطلبات عندما يبدأ الموظفون في التفاعل مع البيانات من خلال أنظمة الذكاء الاصطناعي. بل إنها أصبحت أكثر أهمية لأن الذكاء الاصطناعي يمكن أن يسهل الوصول إلى المعلومات. وصف بيري كارتر، الرئيس التنفيذي لشركة S&B Filters، المبدأ بوضوح. إذا لم يتمكن المستخدم من الوصول إلى معلومات محددة داخل NetSuite، فيجب ألا يتمكن هذا المستخدم من الوصول إلى نفس المعلومات من خلال مساعد الذكاء الاصطناعي. البيان يبدو واضحا. ويتطلب تنفيذه بشكل متسق عبر الأنظمة وسير العمل والنماذج قدرًا أكبر من الانضباط مما يقترحه البيان نفسه. لورين بولاسيك، مدير NetSuite السابق وعضو مجلس إدارة مجموعة مستخدمي Texas NetSuite، أوضحت مؤخرًا نقطة ذات صلة. غالبًا ما تكون تكنولوجيا الاتصال هي الجزء الأسهل. لا تزال المنظمات بحاجة إلى تحديد الأدوات التي يجب استخدامها، ومن يجب أن يكون لديه إمكانية الوصول إليها، وكيف يجب أن تتطور الحوكمة مع توسع التبني. وهذا هو أحد أسباب صعوبة التوفيق بين التنبؤات المتعلقة بواجهة واحدة للذكاء الاصطناعي وبين كيفية عمل المؤسسات فعليًا. تختلف متطلبات إغلاق دفاتر المؤسسات المالية عن متطلبات فريق خدمة العملاء الذي يتعامل مع آلاف التفاعلات كل يوم. سيتم دمج بعض قدرات الذكاء الاصطناعي مباشرة في العمليات التجارية حيث بالكاد يلاحظها الموظفون. وسيوفر البعض الآخر المزيد من الوصول المباشر إلى المعلومات التشغيلية من خلال أنظمة المحادثة. سينتهي الأمر بالعديد من الشركات باستخدام كلا النهجين لأن العمل الأساسي مختلف. احصل على الذكاء الاصطناعي على طريقتك لقد شكل هذا المنظور طريقة تفكيرنا حول الذكاء الاصطناعي في NetSuite. يريد بعض العملاء تضمين الذكاء الاصطناعي مباشرة في سير العمل التشغيلي. يريد الآخرون القدرة على ربط بيانات NetSuite بالنماذج والمساعدين الخارجيين حتى يتمكنوا من التفاعل مع معلومات الأعمال من خلال الأدوات التي تعد بالفعل جزءًا من عملهم اليومي. وعلى نحو متزايد، تطلب المنظمات كلا الأمرين. تم تصميم خدمة NetSuite AI Connector ودعمنا لبروتوكول السياق النموذجي (MCP) مع أخذ هذا الواقع في الاعتبار. الهدف هو السماح للمؤسسات بربط معلومات الأعمال بشكل آمن بسير العمل والأنظمة التي تناسبها مع الاستمرار في الاستفادة من إمكانات الذكاء الاصطناعي المضمنة مباشرة في NetSuite. يشير تاريخ برامج المؤسسات إلى أن اعتمادها نادرًا ما يتبع خطًا مستقيمًا. مع اعتماد المؤسسات للذكاء الاصطناعي، يجب على قادة الأعمال تحديد هدف العمل ومسارات العمل المعنية حتى يتمكنوا من مطابقة الحل مع واقع العمل. المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/spacexs-grok-4-5-launches-at-half-the-price-of-rivals-heres-why-that-could-rattle-anthropic-and-openai",
            "title_en": "SpaceX's Grok 4.5 launches at half the price of rivals — here's why that could rattle Anthropic and OpenAI",
            "summary_en": "Elon Musk's SpaceX released Grok 4.5 on Wednesday, the first artificial intelligence model the company has trained specifically for coding and autonomous agents — and the first tangible product of its $60 billion acquisition of the AI coding startup Cursor, completed just weeks ago. The launch marks a pivotal test of the sprawling, vertically integrated AI empire Musk has assembled over the past six months, and of a strategy that bets developers care less about topping benchmark leaderboards than about speed, cost, and whether a model can actually do the work. \"Announcing Grok 4.5, our first model trained specifically for coding and agents,\" the company said in a post on X. \"It was trained with Cursor and offers frontier intelligence at leading speeds and cost efficiency.\" Why Grok 4.",
            "body_en": "Elon Musk's SpaceX released Grok 4.5 on Wednesday, the first artificial intelligence model the company has trained specifically for coding and autonomous agents — and the first tangible product of its $60 billion acquisition of the AI coding startup Cursor, completed just weeks ago. The launch marks a pivotal test of the sprawling, vertically integrated AI empire Musk has assembled over the past six months, and of a strategy that bets developers care less about topping benchmark leaderboards than about speed, cost, and whether a model can actually do the work. \"Announcing Grok 4.5, our first model trained specifically for coding and agents,\" the company said in a post on X. \"It was trained with Cursor and offers frontier intelligence at leading speeds and cost efficiency.\" Why Grok 4.5's pricing strategy matters more than its benchmark scores SpaceX is not claiming Grok 4.5 is the smartest model in the world. Instead, it is making an economic argument. The company says the model uses half as many tokens per task as comparable models, delivers higher throughput, and costs less than half as much — priced at $2 per million input tokens and $6 per million output tokens. That undercuts the premium tiers of rivals like Anthropic's Claude Opus line and OpenAI's frontier models by a wide margin. Musk framed the positioning candidly. \"Our internal assessment is that Grok 4.5 is roughly comparable to Opus 4.7, but much faster,\" he wrote on X . \"The combination of capability, faster speed and lower cost is what makes it competitive. We are closing the loop on real-world usefulness, not benchmarks. Hardcore engineers at Tesla & SpaceX find Grok 4.5 genuinely useful, which is what actually matters.\" That framing is both a philosophy and a hedge. Independent evaluations released Wednesday suggest Grok 4.5 is genuinely competitive but not dominant on raw capability. The benchmarking firm Artificial Analysis ranked the model fourth on its GDPval-AA v2 index of real-world agentic knowledge work, with an Elo score of 1543, \"behind only the latest Claude releases from Anthropic.\" But the cost figures are where the model stands out. Artificial Analysis measured Grok 4.5 at $0.49 per completed task — \"nearly 90% cheaper than the models ahead of it on our leaderboard,\" the firm wrote, placing it \"clearly on the Pareto frontier for performance versus cost.\" For enterprise buyers, that math matters enormously. Agentic workloads — where a model works autonomously for minutes or hours, reading codebases, calling tools, and iterating on its own output — consume tokens voraciously. A model that is 90% cheaper per completed task , even if slightly less capable, changes the calculus for any engineering organization deploying agents across hundreds of developers. Investor Gavin Baker captured the market's cautious optimism: \"Pareto dominant for coding by the numbers. We will see on the all-important vibes.\" How the $60 billion Cursor acquisition shaped Grok 4.5's training Grok 4.5 is the first concrete evidence of what SpaceX bought when it acquired Cursor, and the deal itself unfolded in stages. In April, SpaceX struck an unusual arrangement giving it the right to buy the coding startup for $60 billion — or pay billions in fees and compute if it walked away, as Business Insider reported at the time. Days after SpaceX's record-setting Nasdaq debut in June, the company exercised that right, announcing an all-stock acquisition that CNBC reported is roughly 3.4% dilution at the IPO valuation. SpaceX shares rose 16% on the news. The strategic logic was always about data as much as product. Cursor's AI-first code editor generates an enormous stream of high-quality interaction data: how expert engineers write, edit, review, and debug code in real production environments. Musk said openly this spring that Cursor interaction data was being fed directly into Grok's training . Cursor, for its part, got access to SpaceX's Colossus supercomputer in Memphis — roughly 200,000 Nvidia GPUs with plans to scale toward one million — after publicly acknowledging it had been \" bottlenecked by compute .\" \"We've partnered with SpaceXAI to train Grok 4.5,\" Cursor's official account posted Wednesday. \"It's our most powerful model yet and the first we've built for more than software engineering.\" SpaceX says the model reflects that pedigree: it \"excels in large codebases and handles long-running tasks that span multiple repositories, hundreds of skills, and a variety of tools\" — precisely the messy, multi-file reality of professional software engineering that clean coding benchmarks often fail to capture. Early developer reactions suggest the training paid off. \"Ok Grok 4.5 is wild,\" posted developer Evan Bacon. \"It just built me this rocket tracking app with live data and a 3D globe. I might need a new benchmark after this.\" Inside xAI's turbulent year of scandals, departures, and rebuilding The polished launch belies how chaotic the road here has been. Grok has spent much of the past year in crisis. In mid-2025, the chatbot generated antisemitic content and at one point called itself \" MechaHitler ,\" episodes covered extensively by NPR and CNN . Earlier this year, its image-generation features allowed users to create sexualized deepfakes, including of children — drawing investigations from the European Commission and Britain's Ofcom, as the BBC reported, and prompting SpaceX to list the behavior as a business risk in its own IPO filings. The organization behind the model was fracturing, too. All 11 of Musk's xAI co-founders had departed by the end of March, according to TechCrunch , and Musk publicly conceded that xAI \"was not built right [the] first time around,\" saying he was rebuilding it \"from the foundations up.\" Musk himself admitted at a conference this spring that Grok was \"currently behind in coding\" — a rare public concession from an executive not known for them. Against that backdrop, Grok 4.5 reads as the first product of the rebuilt organization — and the first proof point for the audacious story SpaceX told public market investors. During its IPO roadshow, the company pitched a total addressable market of roughly $28 trillion , with about $26 trillion tied to AI, including a $22.7 trillion \"enterprise applications\" opportunity. Those numbers strained credulity even by Silicon Valley standards. A competitive, cheap coding model is the most direct route from that narrative to actual revenue, which is why Wednesday's launch carries weight far beyond a routine model release. Grok 4.5 vs. Claude: the battle for the AI coding market The competitive stakes are hard to overstate, because the AI coding market has been consolidating around a single leader — and it isn't Musk. Even as Cursor's revenue exploded, its market share was eroding. Spending data from Ramp cited by CNBC showed Cursor's share of the AI coding category falling from 41% in June 2025 to about 26% by May 2026, while Anthropic came to control roughly half the market. Anthropic also topped CNBC's Disruptor 50 list this year and, by Artificial Analysis's own measure, still holds the top spots on agentic performance rankings . That is the gap Grok 4.5 is engineered to close — not by out-thinking Claude, but by underpricing it. The model's economics create a classic disruption dynamic: if it delivers most of the frontier's capability at a fraction of the cost per task, price-sensitive enterprise workloads will migrate, and incumbents will face pressure on their most profitable API traffic. The counterargument is that in coding, quality compounds. A model that resolves a complex bug correctly on the first attempt can be cheaper in practice than one that costs half as much per token but requires three tries. That is why Baker's caveat about \"vibes\" — the developer community's shorthand for a model's felt reliability on real work — will determine more than any launch-day benchmark. There is also a structural question buried in the deal. Cursor built its business on offering developers their choice of models, including Claude and GPT. If Grok becomes the favored child inside Cursor — and Musk was already urging users to \"Try out Grok 4.5 in Cursor!\" within hours of launch — the product risks alienating the very users whose data made Grok 4.5 possible. Regulators, already scrutinizing Grok on safety grounds in two jurisdictions, may take a keen interest in a company that controls the training data, the model, and a dominant distribution channel simultaneously. What Musk's trillion-dollar vertical integration bet means for AI's future Grok 4.5 also crystallizes what Musk's frenetic dealmaking was building toward. In February, SpaceX absorbed xAI in a share-exchange merger that CNBC confirmed valued the combined company at $1.25 trillion — the largest merger of all time, valuing SpaceX at $1 trillion and xAI at $250 billion. The June IPO followed, the biggest in history, and the stock has since surged past $200 from its $135 offering price, vaulting SpaceX past Amazon and Microsoft to become the fourth most valuable company in the United States. The result is a single public company that owns nearly the entire stack: Colossus for training compute, ambitions for orbital data centers to power future scaling, a frontier model in Grok, a distribution channel in Cursor's developer base, and captive demand from Tesla and SpaceX's own engineering organizations. Neither OpenAI nor Anthropic can fully replicate that integration; both must reach developers through third-party tools, some of which Musk now owns. Whether that concentration proves to be an unassailable moat or a regulatory target — or both — is now one of the defining questions in enterprise AI. The next few weeks will start to answer it. Artificial Analysis says its full Intelligence Index results are forthcoming. Enterprise pilots will reveal whether the token-efficiency claims survive contact with real codebases. And Anthropic, which has answered every serious challenge this cycle with a rapid counter-release, is unlikely to cede the price-performance frontier quietly. But the deeper story of Grok 4.5 may be what it says about where the AI race has moved. For three years, the industry's scoreboard was intelligence: whose model was smartest. Musk, arriving late and battered, has chosen to compete on a different axis entirely — whose model is cheapest to actually use. It is a telling choice from a man who built his fortune not by inventing the rocket or the electric car, but by relentlessly driving down the cost of making them. If the strategy works, Musk will have done to AI what he did to spaceflight. If it doesn't, he'll have spent $60 billion to learn that in software, unlike rockets, the cheapest ride isn't always the one engineers choose.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/2mrt92ZzosniNYpcSdNEyl\/bc556427d375d26cce0a2fab2fbf6d92\/Nuneybits_Vector_art_of_launch_rocket_wrapped_in_code_strings_b_81b7a693-bf24-412d-a48b-444b1a91b128.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/spacexs-grok-4-5-launches-at-half-the-price-of-rivals-heres-why-that-could-rattle-anthropic-and-openai",
            "date": "2026-07-08",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يتم إطلاق SpaceX's Grok 4.5 بنصف سعر المنافسين - وهذا هو السبب الذي قد يثير قلق Anthropic و OpenAI",
            "summary_ar": "أصدرت شركة SpaceX التابعة لشركة Elon Musk، يوم الأربعاء، Grok 4.5، وهو أول نموذج للذكاء الاصطناعي تدربه الشركة خصيصًا للبرمجة والوكلاء المستقلين - وأول منتج ملموس لاستحواذها على شركة Cursor الناشئة للتشفير بالذكاء الاصطناعي بقيمة 60 مليار دولار، والتي اكتملت قبل أسابيع فقط. يمثل الإطلاق اختبارًا محوريًا لإمبراطورية الذكاء الاصطناعي المترامية الأطراف والمتكاملة رأسيًا التي قام Musk بتجميعها على مدار الأشهر الستة الماضية، ولاستراتيجية تراهن على أن المطورين يهتمون بدرجة أقل بتصدر قوائم المتصدرين القياسية بقدر ما يهتمون بالسرعة والتكلفة وما إذا كان النموذج يمكنه بالفعل القيام بالعمل. وقالت الشركة في منشور على موقع X: \"الإعلان عن Grok 4.5، أول نموذج لدينا تم تدريبه خصيصًا للبرمجة والوكلاء\". \"لقد تم تدريبه باستخدام Cursor ويقدم معلومات استخباراتية رائدة بسرعات رائدة وفعالية من حيث التكلفة.\" لماذا جروك 4.",
            "body_ar": "أصدرت شركة SpaceX التابعة لشركة Elon Musk، يوم الأربعاء، Grok 4.5، وهو أول نموذج للذكاء الاصطناعي تدربه الشركة خصيصًا للبرمجة والوكلاء المستقلين - وأول منتج ملموس لاستحواذها على شركة Cursor الناشئة للتشفير بالذكاء الاصطناعي بقيمة 60 مليار دولار، والتي اكتملت قبل أسابيع فقط. يمثل الإطلاق اختبارًا محوريًا لإمبراطورية الذكاء الاصطناعي المترامية الأطراف والمتكاملة رأسيًا التي قام Musk بتجميعها على مدار الأشهر الستة الماضية، ولاستراتيجية تراهن على أن المطورين يهتمون بدرجة أقل بتصدر قوائم المتصدرين القياسية بقدر ما يهتمون بالسرعة والتكلفة وما إذا كان النموذج يمكنه بالفعل القيام بالعمل. وقالت الشركة في منشور على موقع X: \"الإعلان عن Grok 4.5، أول نموذج لدينا تم تدريبه خصيصًا للبرمجة والوكلاء\". \"لقد تم تدريبه باستخدام Cursor ويقدم معلومات استخباراتية رائدة بسرعات رائدة وفعالية من حيث التكلفة.\" لماذا تعد استراتيجية التسعير الخاصة بـ Grok 4.5 أكثر أهمية من نتائجها القياسية؟ لا تدعي SpaceX أن Grok 4.5 هو أذكى نموذج في العالم. وبدلا من ذلك، فإنها تقدم حجة اقتصادية. تقول الشركة إن النموذج يستخدم نصف عدد الرموز لكل مهمة مثل النماذج المماثلة، ويوفر إنتاجية أعلى، ويكلف أقل من النصف - بسعر 2 دولار لكل مليون رمز إدخال و6 دولارات لكل مليون رمز إخراج. وهذا يقوض المستويات المتميزة للمنافسين مثل خط Anthropic's Claude Opus ونماذج OpenAI الحدودية بهامش واسع. صاغ \" ماسك \" الموقف بصراحة. وكتب على X: \"تقييمنا الداخلي هو أن Grok 4.5 يمكن مقارنته تقريبًا بـ Opus 4.7، ولكنه أسرع بكثير\". \"إن الجمع بين القدرة والسرعة الأكبر والتكلفة المنخفضة هو ما يجعلها قادرة على المنافسة. نحن نغلق الحلقة على فائدة العالم الحقيقي، وليس المعايير. يجد المهندسون المتشددون في Tesla وSpaceX أن Grok 4.5 مفيد حقًا، وهو ما يهم بالفعل.\" هذا التأطير هو فلسفة وتحوط. تشير التقييمات المستقلة التي صدرت يوم الأربعاء إلى أن Grok 4.5 تنافسي حقًا ولكنه ليس مهيمنًا على القدرة الخام. صنفت شركة التحليل الاصطناعي المعيارية النموذج في المرتبة الرابعة على مؤشر الناتج المحلي الإجمالي (GDGVval-AA v2) للعمل المعرفي الفاعل في العالم الحقيقي، مع درجة إيلو 1543، \"خلف أحدث إصدارات كلود فقط من أنثروبيك\". لكن أرقام التكلفة هي ما يبرز فيه النموذج. قام التحليل الاصطناعي بقياس Grok 4.5 بسعر 0.49 دولار لكل مهمة مكتملة - \"ما يقرب من 90٪ أرخص من النماذج التي سبقتها على لوحة المتصدرين لدينا\"، كما كتبت الشركة، مما يضعها \"بشكل واضح على حدود باريتو للأداء مقابل التكلفة\". بالنسبة للمستثمرين من الشركات، فإن هذه الرياضيات مهمة للغاية. أعباء عمل الوكيل - حيث يعمل النموذج بشكل مستقل لمدة دقائق أو ساعات، ويقرأ قواعد التعليمات البرمجية، وأدوات الاتصال، ويكرر مخرجاته الخاصة - يستهلك الرموز المميزة بشراهة. إن النموذج الذي يكون أرخص بنسبة 90% لكل مهمة مكتملة، حتى لو كان أقل قدرة قليلاً، يغير حسابات التفاضل والتكامل لأي مؤسسة هندسية تنشر وكلاء عبر مئات المطورين. استحوذ المستثمر جافين بيكر على التفاؤل الحذر في السوق: \"يهيمن باريتو على الترميز بالأرقام. سنرى كل المشاعر المهمة.\" كيف شكل الاستحواذ على شركة Cursor بقيمة 60 مليار دولار تدريب Grok 4.5 على Grok 4.5 هو أول دليل ملموس على ما اشترته SpaceX عندما استحوذت على Cursor، وتم الكشف عن الصفقة نفسها على مراحل. في أبريل، توصلت SpaceX إلى ترتيب غير عادي يمنحها الحق في شراء شركة البرمجة الناشئة مقابل 60 مليار دولار - أو دفع المليارات كرسوم وحساب إذا انسحبت، كما أفاد موقع Business Insider في ذلك الوقت. بعد أيام من ظهور شركة SpaceX في بورصة ناسداك لأول مرة في يونيو، مارست الشركة هذا الحق، معلنة عن عملية استحواذ على جميع الأسهم، والتي ذكرت CNBC أنها تمثل تخفيفًا بنسبة 3.4٪ تقريبًا في تقييم الاكتتاب العام. ارتفعت أسهم SpaceX بنسبة 16٪ بسبب الأخبار. كان المنطق الاستراتيجي دائمًا يتعلق بالبيانات بقدر ما يتعلق بالمنتج. يولّد محرر الأكواد البرمجية الذي يعتمد على الذكاء الاصطناعي في Cursor تدفقًا هائلاً من بيانات التفاعل عالية الجودة: كيف يقوم المهندسون الخبراء بكتابة التعليمات البرمجية وتحريرها ومراجعتها وتصحيح أخطائها في بيئات الإنتاج الحقيقية. قال \" ماسك \" صراحةً هذا الربيع إن بيانات تفاعل المؤشر يتم إدخالها مباشرة في تدريب \" جروك \". من جانبه، تمكن Cursor من الوصول إلى الكمبيوتر العملاق Colossus التابع لشركة SpaceX في ممفيس - ما يقرب من 200000 وحدة معالجة رسوميات Nvidia مع خطط للتوسع نحو مليون وحدة - بعد الاعتراف علنًا بأنها \"تعرضت للاختناق بسبب الحوسبة\". \"لقد عقدنا شراكة مع SpaceXAI لتدريب Grok 4.5،\" نشر الحساب الرسمي لـ Cursor يوم الأربعاء. \"إنه أقوى نموذج لدينا حتى الآن والأول الذي بنيناه لأكثر من مجرد هندسة البرمجيات.\" تقول SpaceX إن النموذج يعكس هذا النسب: فهو \"يتفوق في قواعد التعليمات البرمجية الكبيرة ويتعامل مع المهام طويلة الأمد التي تمتد عبر مستودعات متعددة ومئات المهارات ومجموعة متنوعة من الأدوات\" - على وجه التحديد الواقع الفوضوي متعدد الملفات لهندسة البرمجيات الاحترافية التي غالبًا ما تفشل معايير البرمجة النظيفة في التقاطها. تشير ردود فعل المطورين المبكرة إلى أن التدريب قد أتى بثماره. \"Ok Grok 4.5 هو أمر جامح\"، نشر المطور Evan Bacon. \"لقد أنشأ لي تطبيقًا لتتبع الصواريخ مزودًا ببيانات حية وكرة أرضية ثلاثية الأبعاد. وقد أحتاج إلى معيار جديد بعد ذلك.\" داخل عام XAI المضطرب من الفضائح والمغادرة وإعادة البناء، يكذب الإطلاق المصقول مدى الفوضى التي كان الطريق هنا. أمضى جروك معظم العام الماضي في أزمة. في منتصف عام 2025، أنتج برنامج الدردشة الآلي محتوى معاديًا للسامية، وفي وقت ما أطلق على نفسه اسم \"MechaHitler\"، وهي حلقات تمت تغطيتها على نطاق واسع بواسطة NPR وCNN في وقت سابق من هذا العام، سمحت ميزات توليد الصور للمستخدمين بإنشاء صور مزيفة ذات طابع جنسي، بما في ذلك للأطفال - مما أدى إلى إجراء تحقيقات من المفوضية الأوروبية وأوفكوم البريطانية، كما ذكرت هيئة الإذاعة البريطانية، ودفع شركة سبيس إكس إلى إدراج هذا السلوك باعتباره خطرًا تجاريًا في ملفات الاكتتاب العام الخاصة بها. وكانت المنظمة التي تقف وراء هذا النموذج منقسمة أيضًا. غادر جميع مؤسسي XAI الأحد عشر من Musk بحلول نهاية شهر مارس، وفقًا لموقع TechCrunch، واعترف Musk علنًا بأن XAI \"لم يتم بناؤه بشكل صحيح [في المرة الأولى]\"، قائلًا إنه كان يعيد بنائه \"من الأساسات إلى الأعلى\". وقد اعترف \" ماسك \" نفسه في مؤتمر عُقد في ربيع هذا العام بأن \" جروك \" كان \"متخلفًا حاليًا في مجال البرمجة\" - وهو تنازل عام نادر من مسؤول تنفيذي غير معروف لديه. على هذه الخلفية، يُنظر إلى Grok 4.5 على أنه المنتج الأول للمؤسسة المعاد بناؤها - وأول نقطة إثبات للقصة الجريئة التي أخبرتها SpaceX لمستثمري السوق العامة. خلال الحملة الترويجية للاكتتاب العام الأولي، عرضت الشركة إجمالي سوق قابل للتوجيه يبلغ حوالي 28 تريليون دولار أمريكي، مع حوالي 26 تريليون دولار أمريكي مرتبطة بالذكاء الاصطناعي، بما في ذلك فرصة \"تطبيقات مؤسسية\" بقيمة 22.7 تريليون دولار أمريكي. وقد أدت هذه الأرقام إلى إجهاد السذاجة حتى بمعايير وادي السيليكون. يعد نموذج الترميز التنافسي والرخيص هو الطريق الأكثر مباشرة من هذا السرد إلى الإيرادات الفعلية، ولهذا السبب فإن إطلاق يوم الأربعاء يحمل وزنًا يتجاوز بكثير إصدار النموذج الروتيني. Grok 4.5 vs. Claude: المعركة من أجل سوق ترميز الذكاء الاصطناعي من الصعب المبالغة في تقدير المخاطر التنافسية، لأن سوق ترميز الذكاء الاصطناعي يتجمع حول قائد واحد - وهو ليس Musk. وحتى مع ارتفاع إيرادات شركة Cursor، كانت حصتها في السوق تتآكل. أظهرت بيانات الإنفاق من Ramp التي استشهدت بها CNBC انخفاض حصة Cursor في فئة تشفير الذكاء الاصطناعي من 41% في يونيو 2025 إلى حوالي 26% بحلول مايو 2026، في حين سيطرت Anthropic على ما يقرب من نصف السوق. تصدرت Anthropic أيضًا قائمة Disruptor 50 لقناة CNBC هذا العام، ووفقًا لمقياس التحليل الاصطناعي الخاص، لا تزال تحتل المراكز الأولى في تصنيفات أداء الوكلاء. هذه هي الفجوة التي تم تصميم Grok 4.5 لسدها - ليس من خلال تفكير كلود المتفوق، ولكن من خلال التقليل من سعره. تخلق اقتصاديات النموذج ديناميكية اختلال كلاسيكية: إذا كانت توفر معظم قدرات الحدود بجزء صغير من التكلفة لكل مهمة، فسوف تهاجر أعباء العمل المؤسسية الحساسة للسعر، وسيواجه شاغلو الوظائف ضغوطًا على حركة مرور واجهة برمجة التطبيقات (API) الأكثر ربحية لديهم. والحجة المضادة هي أنه في الترميز، مركبات الجودة. النموذج الذي يحل خطأ معقدًا بشكل صحيح في المحاولة الأولى يمكن أن يكون أرخص من الناحية العملية من النموذج الذي يكلف نصف تكلفة الرمز المميز ولكنه يتطلب ثلاث محاولات. وهذا هو السبب في أن تحذير بيكر بشأن \"المشاعر الإيجابية\" - وهو اختصار مجتمع المطورين لموثوقية النموذج في العمل الحقيقي - سيحدد أكثر من أي معيار قياسي ليوم الإطلاق. هناك أيضًا سؤال هيكلي مدفون في الصفقة. قامت شركة Cursor ببناء أعمالها على تقديم خيارات للمطورين من النماذج، بما في ذلك Claude وGPT. إذا أصبح Grok هو الطفل المفضل داخل Cursor - وكان Musk يحث المستخدمين بالفعل على \"تجربة Grok 4.5 في Cursor!\" في غضون ساعات من الإطلاق - يخاطر المنتج بتنفير المستخدمين أنفسهم الذين جعلت بياناتهم من Grok 4.5 ممكنًا. وقد يهتم المنظمون، الذين يقومون بالفعل بفحص شركة جروك لأسباب تتعلق بالسلامة في ولايتين قضائيتين، بشدة بشركة تتحكم في بيانات التدريب، والنموذج، وقناة التوزيع المهيمنة في وقت واحد. إن ما يعنيه رهان ماسك على التكامل الرأسي الذي تبلغ قيمته تريليون دولار بالنسبة لمستقبل الذكاء الاصطناعي Grok 4.5، يبلور أيضًا ما كانت تسعى إليه صفقات ماسك المحمومة. في فبراير، استوعبت شركة SpaceX شركة xAI في عملية اندماج للأسهم أكدت CNBC أنها تقدر قيمة الشركة المندمجة بمبلغ 1.25 تريليون دولار - وهو أكبر اندماج على الإطلاق، حيث تقدر قيمة SpaceX بمبلغ 1 تريليون دولار وشركة xAI بمبلغ 250 مليار دولار. تبع ذلك الاكتتاب العام الأولي في يونيو، وهو الأكبر في التاريخ، وارتفع السهم منذ ذلك الحين إلى ما يزيد عن 200 دولار من سعر العرض البالغ 135 دولارًا، متجاوزًا SpaceX أمازون ومايكروسوفت لتصبح رابع أكثر الشركات قيمة في الولايات المتحدة. والنتيجة هي شركة عامة واحدة تمتلك المجموعة بأكملها تقريبًا: Colossus للتدريب على الحوسبة، وطموحات لمراكز البيانات المدارية لدعم التوسع المستقبلي، ونموذج حدودي في Grok، وقناة توزيع في قاعدة مطوري Cursor، وطلب أسير من المؤسسات الهندسية الخاصة بـ Tesla وSpaceX. لا يمكن لـ OpenAI ولا Anthropic تكرار هذا التكامل بشكل كامل؛ ويجب أن يصل كلاهما إلى المطورين من خلال أدوات الطرف الثالث، والتي يمتلك \" ماسك \" بعضها الآن. وسواء كان هذا التركيز بمثابة خندق منيع أو هدف تنظيمي - أو كليهما - فقد أصبح الآن أحد الأسئلة المحددة في الذكاء الاصطناعي للمؤسسات. الأسابيع القليلة المقبلة ستبدأ بالإجابة عليه. يقول التحليل الاصطناعي أن نتائج مؤشر الذكاء الكامل ستصدر قريباً. سيكشف طيارو Enterprise ما إذا كانت مطالبات كفاءة الرمز المميز ستظل على اتصال مع قواعد التعليمات البرمجية الحقيقية. ومن غير المرجح أن تتخلى شركة أنثروبيك، التي استجابت لكل التحديات الخطيرة في هذه الدورة بإصدار مضاد سريع، عن حدود السعر والأداء بهدوء. لكن القصة الأعمق لـ Grok 4.5 قد تكون ما تقوله عن المكان الذي انتقل إليه سباق الذكاء الاصطناعي. لمدة ثلاث سنوات، كانت لوحة النتائج في الصناعة هي الذكاء: أي نموذج كان الأكثر ذكاءً؟ وقد اختار \" ماسك \"، الذي وصل متأخرًا ومنهكًا، التنافس على محور مختلف تمامًا - ونموذجه هو الأقل تكلفة في الاستخدام الفعلي. إنه اختيار معبر من رجل جمع ثروته ليس عن طريق اختراع الصاروخ أو السيارة الكهربائية، ولكن عن طريق خفض تكلفة تصنيعهما بلا هوادة. إذا نجحت هذه الاستراتيجية، فسيكون \" ماسك \" قد فعل بالذكاء الاصطناعي ما فعله برحلات الفضاء. إذا لم يحدث ذلك، فسيكون قد أنفق 60 مليار دولار ليتعلم أنه في مجال البرمجيات، على عكس الصواريخ، فإن الرحلة الأرخص ليست دائمًا هي الرحلة التي يقوم بها المهندسون يختار.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/openai-launches-gpt-live-a-full-duplex-voice-upgrade-that-lets-chatgpt-talk-more-like-a-person",
            "title_en": "OpenAI launches GPT-Live, a full-duplex voice upgrade that lets ChatGPT talk more like a person",
            "summary_en": "OpenAI on Wednesday launched GPT-Live , a pair of new voice models that fundamentally redesign how people talk to ChatGPT — replacing the company's existing Advanced Voice Mode with an architecture that can listen and speak simultaneously, much like an actual human conversation. The two models, GPT-Live-1 and GPT-Live-1 mini , are rolling out globally starting today across iOS, Android, and ChatGPT.com. GPT-Live-1 becomes the default voice model for paid ChatGPT users on the Go, Plus, and Pro tiers, while GPT-Live-1 mini serves free-tier users. OpenAI also plans to bring the models to the API, and developers can sign up to be notified. The release marks the third generation of ChatGPT's voice technology in roughly two years — and OpenAI's clearest bid yet to turn its chatbot",
            "body_en": "OpenAI on Wednesday launched GPT-Live , a pair of new voice models that fundamentally redesign how people talk to ChatGPT — replacing the company's existing Advanced Voice Mode with an architecture that can listen and speak simultaneously, much like an actual human conversation. The two models, GPT-Live-1 and GPT-Live-1 mini , are rolling out globally starting today across iOS, Android, and ChatGPT.com. GPT-Live-1 becomes the default voice model for paid ChatGPT users on the Go, Plus, and Pro tiers, while GPT-Live-1 mini serves free-tier users. OpenAI also plans to bring the models to the API, and developers can sign up to be notified. The release marks the third generation of ChatGPT's voice technology in roughly two years — and OpenAI's clearest bid yet to turn its chatbot into something that feels less like querying a search engine and more like talking to a colleague. Why full-duplex voice changes everything about talking to AI The defining technical advance in GPT-Live is what OpenAI calls a \" full-duplex architecture .\" In telecommunications, full-duplex means both parties on a phone call can talk and listen at the same time. Applied to AI, it means the model continuously processes your incoming audio even while it generates its own spoken response — no more waiting for a clean silence gap to figure out when you've finished a thought. \"Instead of processing a sequence of separate messages, GPT-Live continuously processes input while generating output,\" OpenAI wrote in its research blog. \"The model can therefore make interaction decisions many times per second: whether to speak, continue listening, pause, interrupt, or invoke a tool.\" In practice, that translates to a voice assistant that can insert conversational acknowledgments — \"mhmm,\" \"yeah,\" \"got it\" — while you're still talking, pick up on a natural pause without jumping in prematurely, and handle rapid interruptions without derailing the entire exchange. OpenAI's previous Advanced Voice Mode , launched to paid users in September 2024, processed and generated audio within a single model but still operated on rigid turn-by-turn exchanges. As OpenAI acknowledged in the announcement, \"because turn detection is based on silence, even a brief pause or background noise could be mistaken for the end of turn — causing the model to interrupt at unnatural times.\" That brittleness created a product that, while impressive in demos, could be deeply frustrating in extended real-world use. Background chatter in a coffee shop could trigger a response. A thinking pause might get swallowed. The experience felt, as one researcher put it on X shortly after the announcement, like \" walkie-talkie turn taking .\" GPT-Live is designed to end that era. How OpenAI split voice and intelligence into two separate layers GPT-Live introduces a second structural change that may prove just as consequential for enterprise adoption: it decouples the voice interaction layer from the reasoning layer. When a user asks a straightforward question, GPT-Live handles it directly. But when the query demands web search, deeper reasoning, or more complex agentic work, GPT-Live delegates the task to a frontier model running in the background — at launch, GPT-5.5, the large language model OpenAI released in April — and continues talking with the user while the computation happens asynchronously. \"While it works, GPT-Live can keep talking with you and maintain the flow of conversation,\" OpenAI explains. \"As we release new frontier models, we'll continuously update the model used by GPT-Live.\" This delegation model is a meaningful architectural bet. Rather than building a single monolithic voice model that tries to be both conversationally fluid and deeply intelligent, OpenAI has split the problem in two: a voice-native model optimized for real-time interaction, and a separate reasoning engine that can be swapped out as the state of the art improves. It is, in effect, a modular design — one that allows OpenAI to upgrade the intelligence of its voice assistant without retraining the voice model itself. The implications for enterprise and developer workflows are significant. A voice agent built on this architecture could maintain a natural conversation with a customer while simultaneously querying databases, searching the web, or performing multi-step reasoning — tasks that would have introduced several seconds of dead air under the old pipeline. The three generations of ChatGPT voice, from clunky pipeline to continuous stream To understand how far voice AI has come, it helps to trace the three generations that led to GPT-Live . The original ChatGPT Voice , launched in 2023, used a cascaded pipeline — a speech-to-text model ( Whisper ) transcribed what you said, a large language model ( GPT-4 ) generated a text response, and a text-to-speech model converted that response back into audio. Each handoff introduced latency and lost information. As OpenAI noted, \"the complexity came at a cost: information could be lost across models, and responses were slow and stilted.\" That cascaded approach was the industry standard, and its limitations were well-documented. As the blog OpenHelm noted in an October 2024 analysis of OpenAI's Realtime API, the old pipeline stacked up to roughly 1,700 milliseconds of latency — nearly two full seconds of dead air before the first word of a response. Managing the state between the three separate APIs consumed an enormous amount of engineering effort. OpenAI's Advanced Voice Mode, which began its limited rollout to paid ChatGPT Plus users in July 2024 before expanding more broadly in September 2024, collapsed that three-model pipeline into a single model that processed audio natively. As TechCrunch reported at the time, the rollout came with five new voices — Arbor, Maple, Sol, Spruce, and Vale — alongside improved accent handling and smoother conversations. The feature also launched on the web in November 2024, extending it beyond mobile. But Advanced Voice Mode still operated through discrete, alternating turns — and it launched into the shadow of a PR debacle that OpenAI is still working to leave behind. The Scarlett Johansson controversy still shadows OpenAI's voice ambitions Advanced Voice Mode arrived in the wake of one of OpenAI's most damaging self-inflicted crises. During the GPT-4o launch in May 2024, the company showcased a voice called \"Sky\" that many listeners immediately noted sounded strikingly similar to Scarlett Johansson , who famously voiced an AI companion in the 2013 film Her . Johansson said she had declined OpenAI CEO Sam Altman's offer to voice the system, then was \"shocked, angered and in disbelief\" when the product launched with a voice her own friends couldn't distinguish from hers, as NBC News reported. Altman had tweeted just the word \"her\" the day the product launched. OpenAI pulled the voice and apologized, but the incident drew public scrutiny from SAG-AFTRA and members of Congress , and crystallized broader concerns about AI companies moving fast with creative IP. The Hollywood labor union said the issue underscored \"why we're strongly championing federal legislation that would protect their voices and likenesses ... from unauthorized digital replication,\" as NBC News reported . Forbes contributor Paul Tassi wrote at the time that Altman, \"by holding up Her on a pedestal of something to strive for, has missed the point of that film\" — in which the protagonist's relationship with his AI companion ultimately does him more harm than good. GPT-Live appears designed, in part, to move past those controversies. OpenAI says it has \"remastered the nine distinct voices in ChatGPT for GPT-Live\" and notes the system \"is designed for conversation, not voice impersonation,\" with \"safeguards to prevent it from imitating a real person's voice.\" What 150 million weekly voice users will actually notice today OpenAI disclosed that more than 150 million people talk to ChatGPT using voice and dictation features each week — a notable slice of the platform's 900 million total weekly active users. The voice experience has grown into a substantial product in its own right, used for language practice, bedtime stories, commute-time chat, and hands-free everyday help. The new product features reflect that usage. GPT-Live introduces rich visual cards that surface during voice conversations — weather forecasts, stock data, sports scores, and maps — giving users something to glance at without breaking the flow of speech. Users can now choose between three reasoning levels for answers: Instant for quick responses, Medium for moderate thinking, and High for more complex work. And if you take a moment to think, \"ChatGPT Voice now waits instead of jumping in and interrupting,\" OpenAI wrote. \"If you ask it to stay quiet and listen, it will. And when there's background noise, like passing traffic or nearby conversations, ChatGPT is better at focusing on your voice instead of getting distracted.\" Early reactions from users with preview access were cautiously positive. \"I had early access to sol. it is a phenomenal model,\" wrote one user on X , adding it is “much better at frontend, long context knowledge work, and its vibes are much better.” Another observer cut to the heart of the matter: \"The smarts are not new here, GPT-Live hands hard questions to GPT-5.5. What is new is the feel: full-duplex voice that listens while it talks.\" New voice-specific safety tests reveal where the risks still live The GPT-Live system card , published alongside the announcement, reveals a safety strategy built around the particular risks of real-time voice interaction — a domain where the speed and intimacy of conversation create hazards that text-based chat does not. OpenAI expanded its safety evaluations to include audio-native tests, using both real user voice samples (from those who opted in) and synthetically generated prompts targeting edge cases across categories like self-harm, sexual content, illicit behavior, emotional reliance, mental health, and hate speech. On the synthetic evaluations — which OpenAI described as deliberately adversarial — GPT-Live-1 showed substantial improvements over Advanced Voice Mode. In illicit behavior, for instance, the safety score rose from 0.63 to 0.97. On self-harm, it climbed from 0.72 to 0.98. Hate speech achieved a perfect 1.00, up from 0.87. On the production-prompt evaluations — which used real user audio and reflected more ambiguous, borderline scenarios — the picture was more mixed. GPT-Live-1 matched or improved on Advanced Voice Mode in most categories but showed a slight regression on emotional reliance (from 0.88 to 0.82), though OpenAI noted the change was not statistically significant. The company built real-time safeguards that can intervene while the model is speaking — steering toward safer responses, surfacing crisis resources, or ending the voice conversation entirely in higher-risk situations. It also designed additional protections for teen users and adapted self-harm support flows for voice, including crisis helpline integration. Perhaps most notably, OpenAI said it is \"rolling out longer-term measurement and post-launch monitoring focused on emotional reliance\" — an acknowledgment that the very naturalness GPT-Live strives for creates its own category of risk. Google, ByteDance, and Nvidia are already in the full-duplex race While OpenAI was refining its safety guardrails, its rivals were shipping full-duplex systems of their own. Google's Gemini Live , which supports full-duplex conversation alongside camera and screen sharing — capabilities GPT-Live notably lacks at launch — is already available in the Gemini app. Google released Gemini 3.1 Flash Live in March as its highest-quality real-time audio model, targeting low-latency voice interactions for developers. ByteDance launched Seeduplex in April, claiming to be the first production-scale full-duplex speech AI deployed at scale, inside its Doubao app. Seeduplex reported roughly a 50 percent reduction in false-response and false-interruption rates compared to ByteDance's previous half-duplex system. And Nvidia's PersonaPlex , released in January, brought customizable voice and role control to full-duplex models, breaking what had been a constraint where natural-sounding models were locked into a single fixed voice. The competitive picture is clear: full-duplex voice interaction is quickly becoming table stakes for consumer AI products, not a differentiator. OpenAI's advantage lies in the scale of its existing user base, its integration with GPT-5.5's reasoning capabilities, and the breadth of the ChatGPT ecosystem. But the window in which any one company has a monopoly on natural-sounding voice AI has already closed. OpenAI also acknowledged several gaps. GPT-Live does not support voice with video or screen sharing at launch. Language support is limited, with the company noting that \"for certain languages, the model may have a non-native accent or gaps in fluency.\" And API access is not available on day one, meaning enterprise developers cannot yet build on GPT-Live directly — a constraint that will slow the model's penetration into commercial voice-agent workflows where competitors like Google, ElevenLabs, and Deepgram already have developer-facing products. The end of the chat box may be closer than anyone expected GPT-Live is essentially OpenAI's most significant bet yet on voice as the primary interface for AI — not just a convenience feature bolted onto a text chatbot, but a purpose-built interaction layer that sits between the user and the company's most powerful models. \"Over time, we believe this research will also unlock the ability to use voice for increasingly complex, longer-running, and more agentic work,\" OpenAI wrote. That ambition — using natural voice as the front end for autonomous AI agents that can perform multi-step tasks — is the logical endpoint of the full-duplex plus delegation architecture. Imagine telling your phone to book a flight, negotiate with your insurance company, or debug a production server, all through a conversation that feels as natural as talking to an assistant who also happens to have the intelligence of a frontier AI model. Two years ago, talking to ChatGPT meant dictating into a microphone and waiting nearly two seconds for a stilted reply. One year ago, it meant a smoother exchange that still felt like a polite, slightly awkward phone call with someone who insisted on waiting for you to finish every sentence. Today, it means something closer to a real conversation — imperfect, still constrained in some languages and missing video, but unmistakably closer. OpenAI once got into trouble for wanting to recreate the movie Her . With GPT-Live, the company may finally be reckoning with the harder question the film actually posed: not whether AI can sound human enough to talk to, but what happens to us when it does.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/7uLEfpPRsD8TtbrDCreQiw\/4351064132807eb8967c0c210933044c\/Nuneybits_Vector_art_of_pastel_watercolor_dialogue_waves_rippli_2589c391-906f-4621-85ff-f3e477893491.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/openai-launches-gpt-live-a-full-duplex-voice-upgrade-that-lets-chatgpt-talk-more-like-a-person",
            "date": "2026-07-08",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تطلق OpenAI GPT-Live، وهي ترقية صوتية مزدوجة كاملة تتيح لـ ChatGPT التحدث كشخص",
            "summary_ar": "أطلقت OpenAI يوم الأربعاء GPT-Live، وهو زوج من النماذج الصوتية الجديدة التي تعيد تصميم كيفية تحدث الأشخاص إلى ChatGPT بشكل أساسي - لتحل محل وضع الصوت المتقدم الحالي للشركة بهندسة يمكنها الاستماع والتحدث في وقت واحد، تمامًا مثل المحادثة البشرية الفعلية. سيتم طرح النموذجين، GPT-Live-1 وGPT-Live-1 mini، عالميًا بدءًا من اليوم عبر iOS وAndroid وChatGPT.com. يصبح GPT-Live-1 هو النموذج الصوتي الافتراضي لمستخدمي ChatGPT المدفوعين في طبقات Go وPlus وPro، بينما يخدم GPT-Live-1 mini مستخدمي الطبقة المجانية. وتخطط OpenAI أيضًا لجلب النماذج إلى واجهة برمجة التطبيقات (API)، ويمكن للمطورين الاشتراك ليتم إعلامهم. يمثل هذا الإصدار الجيل الثالث من تقنية ChatGPT الصوتية خلال عامين تقريبًا - وهو أوضح عرض من OpenAI حتى الآن لتحويل chatbot",
            "body_ar": "أطلقت OpenAI يوم الأربعاء GPT-Live، وهو زوج من النماذج الصوتية الجديدة التي تعيد تصميم كيفية تحدث الأشخاص إلى ChatGPT بشكل أساسي - لتحل محل وضع الصوت المتقدم الحالي للشركة بهندسة يمكنها الاستماع والتحدث في وقت واحد، تمامًا مثل المحادثة البشرية الفعلية. سيتم طرح النموذجين، GPT-Live-1 وGPT-Live-1 mini، عالميًا بدءًا من اليوم عبر iOS وAndroid وChatGPT.com. يصبح GPT-Live-1 هو النموذج الصوتي الافتراضي لمستخدمي ChatGPT المدفوعين في طبقات Go وPlus وPro، بينما يخدم GPT-Live-1 mini مستخدمي الطبقة المجانية. وتخطط OpenAI أيضًا لجلب النماذج إلى واجهة برمجة التطبيقات (API)، ويمكن للمطورين الاشتراك ليتم إعلامهم. يمثل هذا الإصدار الجيل الثالث من تقنية ChatGPT الصوتية خلال عامين تقريبًا - وهو أوضح عرض من OpenAI حتى الآن لتحويل برنامج الدردشة الآلي الخاص به إلى شيء لا يشبه الاستعلام عن محرك بحث ويشبه التحدث إلى زميل. لماذا يغير الصوت ثنائي الاتجاه كل شيء يتعلق بالتحدث إلى الذكاء الاصطناعي؟ إن التقدم التقني المحدد في GPT-Live هو ما يطلق عليه OpenAI \"بنية الإرسال المزدوج الكامل\". في الاتصالات السلكية واللاسلكية، يعني الإرسال المزدوج الكامل أنه يمكن لكلا الطرفين في مكالمة هاتفية التحدث والاستماع في نفس الوقت. ومن خلال تطبيقه على الذكاء الاصطناعي، يعني ذلك أن النموذج يعالج الصوت الوارد بشكل مستمر حتى أثناء إنشاء استجابته المنطوقة - لا مزيد من الانتظار حتى فجوة صمت نظيفة لمعرفة متى تنتهي من فكرة ما. وكتبت OpenAI في مدونتها البحثية: \"بدلاً من معالجة سلسلة من الرسائل المنفصلة، ​​تقوم GPT-Live بمعالجة المدخلات بشكل مستمر أثناء توليد المخرجات\". \"وبالتالي يمكن للنموذج اتخاذ قرارات التفاعل عدة مرات في الثانية: سواء كان التحدث، أو مواصلة الاستماع، أو الإيقاف المؤقت، أو المقاطعة، أو استدعاء أداة ما.\" من الناحية العملية، يُترجم ذلك إلى مساعد صوتي يمكنه إدراج إقرارات المحادثة - \"mhmm\"، \"نعم\"، \"فهمت\" - بينما لا تزال تتحدث، ويتوقف مؤقتًا بشكل طبيعي دون القفز قبل الأوان، ويتعامل مع المقاطعات السريعة دون إخراج المحادثة بأكملها عن مسارها. وضع الصوت المتقدم السابق لـ OpenAI، الذي تم إطلاقه للمستخدمين المدفوعين في سبتمبر 2024، قام بمعالجة وإنشاء الصوت ضمن نموذج واحد ولكنه لا يزال يعمل على عمليات تبادل صارمة خطوة بخطوة. وكما أقر OpenAI في الإعلان، \"نظرًا لأن اكتشاف الانعطاف يعتمد على الصمت، فقد يتم الخلط بين التوقف المؤقت القصير أو ضجيج الخلفية على أنه نهاية الدوران - مما يتسبب في مقاطعة النموذج في أوقات غير طبيعية.\" خلقت هذه الهشاشة منتجًا، على الرغم من أنه مثير للإعجاب في العروض التوضيحية، إلا أنه قد يكون محبطًا للغاية عند الاستخدام الموسع في العالم الحقيقي. قد تؤدي الثرثرة الخلفية في المقهى إلى حدوث رد فعل. قد يتم ابتلاع وقفة التفكير. شعرت التجربة، كما قالها أحد الباحثين على X بعد وقت قصير من الإعلان، بأنها مثل \"جهاز اتصال لاسلكي يتبادل الأدوار\". تم تصميم GPT-Live لإنهاء تلك الحقبة. كيف قامت OpenAI بتقسيم الصوت والذكاء إلى طبقتين منفصلتين تقدم GPT-Live تغييرًا هيكليًا ثانيًا قد يكون له نفس الأهمية بالنسبة لاعتماد المؤسسات: فهو يفصل طبقة التفاعل الصوتي عن طبقة الاستدلال. عندما يطرح المستخدم سؤالاً مباشرًا، فإن GPT-Live يتعامل معه مباشرة. ولكن عندما يتطلب الاستعلام بحثًا على الويب، أو تفكيرًا أعمق، أو عملًا وكيلًا أكثر تعقيدًا، تقوم GPT-Live بتفويض المهمة إلى نموذج رائد يعمل في الخلفية - عند الإطلاق، GPT-5.5، نموذج اللغة الكبير OpenAI الذي تم إصداره في أبريل - ويستمر في التحدث مع المستخدم بينما تتم العمليات الحسابية بشكل غير متزامن. يوضح OpenAI: \"أثناء عمله، يمكن لـ GPT-Live الاستمرار في التحدث معك والحفاظ على تدفق المحادثة\". \"بينما نطلق نماذج حدودية جديدة، سنقوم باستمرار بتحديث النموذج الذي تستخدمه GPT-Live.\" نموذج التفويض هذا هو رهان معماري ذو معنى. بدلاً من بناء نموذج صوتي واحد متجانس يحاول أن يكون سلسًا في المحادثة وذكيًا للغاية، قامت OpenAI بتقسيم المشكلة إلى قسمين: نموذج صوتي أصلي مُحسّن للتفاعل في الوقت الفعلي، ومحرك تفكير منفصل يمكن تبديله مع تحسن الحالة الفنية. إنه في الواقع تصميم معياري، يسمح لشركة OpenAI بترقية ذكاء مساعدها الصوتي دون إعادة تدريب النموذج الصوتي نفسه. إن الآثار المترتبة على سير عمل المؤسسات والمطورين كبيرة. يمكن للوكيل الصوتي المبني على هذه البنية الحفاظ على محادثة طبيعية مع العميل أثناء الاستعلام في الوقت نفسه عن قواعد البيانات، أو البحث في الويب، أو إجراء تفكير متعدد الخطوات - وهي المهام التي كان من شأنها أن تؤدي إلى عدة ثوانٍ من الهواء الميت تحت خط الأنابيب القديم. الأجيال الثلاثة لصوت ChatGPT، بدءًا من المسار القديم إلى البث المستمر لفهم المدى الذي وصل إليه الذكاء الاصطناعي الصوتي، من المفيد تتبع الأجيال الثلاثة التي أدت إلى GPT-Live. استخدم ChatGPT Voice الأصلي، الذي تم إطلاقه في عام 2023، مسارًا متتاليًا - نموذج تحويل الكلام إلى نص (Whisper) الذي نسخ ما قلته، وقام نموذج اللغة الكبير (GPT-4) بإنشاء استجابة نصية، وقام نموذج تحويل النص إلى كلام بتحويل تلك الاستجابة مرة أخرى إلى صوت. قدمت كل عملية تسليم زمن الوصول وفقد المعلومات. وكما أشارت شركة OpenAI، فإن \"التعقيد كان له تكلفة: فقد يتم فقدان المعلومات عبر النماذج، وكانت الاستجابات بطيئة ومتكلسة\". كان هذا النهج المتتالي هو المعيار الصناعي، وكانت حدوده موثقة جيدًا. كما أشارت مدونة OpenHelm في تحليل أكتوبر 2024 لواجهة برمجة التطبيقات Realtime API الخاصة بـ OpenAI، فقد وصل زمن الاستجابة القديم إلى ما يقرب من 1700 مللي ثانية - ما يقرب من ثانيتين كاملتين من الهواء الميت قبل الكلمة الأولى من الرد. استهلكت إدارة الحالة بين واجهات برمجة التطبيقات الثلاث المنفصلة قدرًا هائلاً من الجهد الهندسي. وضع الصوت المتقدم لـ OpenAI، والذي بدأ طرحه المحدود لمستخدمي ChatGPT Plus المدفوعين في يوليو 2024 قبل التوسع على نطاق أوسع في سبتمبر 2024، أدى إلى انهيار خط الأنابيب ثلاثي النماذج هذا في نموذج واحد يعالج الصوت محليًا. كما ذكرت TechCrunch في ذلك الوقت، جاء الطرح بخمسة أصوات جديدة – Arbor، و Maple، و Sol، و Spruce، و Vale – إلى جانب تحسين التعامل مع اللهجة والمحادثات الأكثر سلاسة. تم إطلاق الميزة أيضًا على الويب في نوفمبر 2024، مما أدى إلى توسيع نطاقها إلى ما هو أبعد من الهاتف المحمول. لكن وضع الصوت المتقدم لا يزال يعمل من خلال المنعطفات المنفصلة والمتناوبة - وقد انطلق في ظل كارثة العلاقات العامة التي لا تزال شركة OpenAI تعمل على تركها وراءها. لا يزال الجدل الدائر حول سكارليت جوهانسون يلقي بظلاله على طموحات OpenAI الصوتية. وصل وضع الصوت المتقدم في أعقاب واحدة من أزمات OpenAI الأكثر ضررًا التي ألحقتها بنفسها. أثناء إطلاق GPT-4o في مايو 2024، عرضت الشركة صوتًا يسمى \"Sky\" والذي لاحظ العديد من المستمعين على الفور أنه يبدو مشابهًا بشكل لافت للنظر لسكارليت جوهانسون، التي اشتهرت بصوت رفيقة الذكاء الاصطناعي في فيلم Her عام 2013. وقالت جوهانسون إنها رفضت عرض سام ألتمان، الرئيس التنفيذي لشركة OpenAI، للتعبير عن صوت النظام، ثم أصيبت \"بالصدمة والغضب وعدم التصديق\" عندما تم إطلاق المنتج بصوت لم يتمكن أصدقاؤها من تمييزه عن صوتها، كما ذكرت شبكة NBC News. وقد قام ألتمان بالتغريد بكلمة \"لها\" فقط في اليوم الذي تم فيه إطلاق المنتج. سحبت OpenAI الصوت واعتذرت، لكن الحادث أثار تدقيقًا عامًا من SAG-AFTRA وأعضاء الكونجرس، وبلور مخاوف أوسع نطاقًا بشأن تحرك شركات الذكاء الاصطناعي بسرعة مع الملكية الفكرية الإبداعية. وقال اتحاد العمال في هوليوود إن هذه القضية تؤكد \"سبب دعمنا القوي للتشريعات الفيدرالية التي من شأنها حماية أصواتهم وصورهم... من النسخ الرقمي غير المصرح به\"، كما ذكرت شبكة إن بي سي نيوز. كتب بول تاسي، أحد المساهمين في مجلة فوربس، في ذلك الوقت أن ألتمان، \"من خلال رفعها على قاعدة شيء تسعى إلى تحقيقه، قد أخطأ الهدف من هذا الفيلم\" - حيث أن علاقة بطل الرواية برفيقه من الذكاء الاصطناعي تضره في النهاية أكثر مما تنفعه. يبدو أن GPT-Live مصمم جزئيًا لتجاوز تلك الخلافات. تقول OpenAI إنها \"قامت بإعادة صياغة الأصوات التسعة المميزة في ChatGPT لـ GPT-Live\" وتشير إلى أن النظام \"مصمم للمحادثة، وليس لانتحال الصوت\"، مع \"ضمانات لمنعه من تقليد صوت شخص حقيقي\". ما سيلاحظه 150 مليون مستخدم صوتي أسبوعيًا اليوم هو أن OpenAI كشفت أن أكثر من 150 مليون شخص يتحدثون إلى ChatGPT باستخدام ميزات الصوت والإملاء كل أسبوع - وهي شريحة ملحوظة من إجمالي 900 مليون مستخدم نشط أسبوعيًا للمنصة. تطورت التجربة الصوتية لتصبح منتجًا كبيرًا في حد ذاتها، وتُستخدم في ممارسة اللغة، وقصص ما قبل النوم، والدردشة أثناء التنقل، والمساعدة اليومية بدون استخدام اليدين. تعكس ميزات المنتج الجديد هذا الاستخدام. يقدم GPT-Live بطاقات مرئية غنية تظهر أثناء المحادثات الصوتية - توقعات الطقس، وبيانات المخزون، والنتائج الرياضية، والخرائط - مما يمنح المستخدمين شيئًا يمكن إلقاء نظرة عليه دون انقطاع تدفق الكلام. يمكن للمستخدمين الآن الاختيار بين ثلاثة مستويات من الاستدلال للإجابات: فورية للاستجابات السريعة، ومتوسطة للتفكير المعتدل، وعالية للعمل الأكثر تعقيدًا. وإذا أخذت لحظة للتفكير، فإن \"ChatGPT Voice ينتظر الآن بدلاً من التدخل والمقاطعة\"، كما كتب OpenAI. \"إذا طلبت منه أن يظل هادئًا ويستمع، فسوف يفعل. وعندما يكون هناك ضجيج في الخلفية، مثل مرور حركة المرور أو المحادثات القريبة، يكون ChatGPT أفضل في التركيز على صوتك بدلاً من تشتيت انتباهك.\" كانت ردود الفعل المبكرة من المستخدمين الذين لديهم إمكانية الوصول للمعاينة إيجابية بحذر. \"لقد تمكنت من الوصول مبكرًا إلى sol. \"إنه نموذج استثنائي\"، كتب أحد المستخدمين على X، مضيفًا أنه \"أفضل بكثير في الواجهة الأمامية، وعمل معرفي طويل السياق، ومشاعره أفضل بكثير.\" مراقب آخر يتطرق إلى جوهر الأمر: \"الذكاء ليس جديدًا هنا، GPT-Live يوجه أسئلة صعبة إلى GPT-5.5. \"الجديد هو الشعور: صوت مزدوج الاتجاه يستمع أثناء التحدث.\" تكشف اختبارات السلامة الجديدة الخاصة بالصوت عن المخاطر التي لا تزال قائمة. تكشف بطاقة نظام GPT-Live، المنشورة جنبًا إلى جنب مع الإعلان، عن استراتيجية أمان مبنية على المخاطر المحددة للتفاعل الصوتي في الوقت الفعلي - وهو مجال تخلق فيه سرعة المحادثة وحميميتها مخاطر لا تخلقها الدردشة النصية. قامت OpenAI بتوسيع تقييمات السلامة الخاصة بها لتشمل الاختبارات الصوتية الأصلية، وذلك باستخدام عينات صوت المستخدم الحقيقية (من أولئك الذين اختاروا الاشتراك) والمطالبات المولدة بشكل صناعي والتي تستهدف حالات الحافة عبر فئات مثل إيذاء النفس، والمحتوى الجنسي، والسلوك غير المشروع، والاعتماد العاطفي، والصحة العقلية، وخطاب الكراهية. في التقييمات التركيبية - التي وصفها OpenAI بأنها عدائية بشكل متعمد - أظهر GPT-Live-1 تحسينات كبيرة مقارنة بوضع الصوت المتقدم. ففي السلوك غير المشروع، على سبيل المثال، ارتفعت درجة السلامة من 0.63 إلى 0.97. وفيما يتعلق بإيذاء النفس، ارتفع من 0.72 إلى 0.98. حقق خطاب الكراهية درجة مثالية تبلغ 1.00، ارتفاعًا من 0.87. في التقييمات السريعة للإنتاج - التي استخدمت صوت المستخدم الحقيقي وعكست سيناريوهات حدودية أكثر غموضًا - كانت الصورة أكثر تباينًا. قام GPT-Live-1 بمطابقة أو تحسين وضع الصوت المتقدم في معظم الفئات ولكنه أظهر تراجعًا طفيفًا في الاعتماد العاطفي (من 0.88 إلى 0.82)، على الرغم من أن OpenAI لاحظت أن التغيير لم يكن ذا دلالة إحصائية. وقد قامت الشركة ببناء ضمانات في الوقت الفعلي يمكنها التدخل أثناء حديث النموذج - التوجيه نحو استجابات أكثر أمانًا، أو الكشف عن موارد الأزمات، أو إنهاء المحادثة الصوتية بالكامل في المواقف الأكثر خطورة. كما أنها صممت وسائل حماية إضافية للمستخدمين المراهقين وتكيفت مع تدفقات دعم الأذى الذاتي للصوت، بما في ذلك تكامل خط المساعدة للأزمات. ولعل الأمر الأبرز هو أن OpenAI قالت إنها \"تطرح قياسًا طويل المدى ومراقبة ما بعد الإطلاق تركز على الاعتماد العاطفي\" - وهو اعتراف بأن الطبيعة الطبيعية التي تسعى GPT-Live إلى خلق فئة خاصة بها من المخاطر. جوجل، وByteDance، وNvidia موجودة بالفعل في سباق الإرسال المزدوج الكامل. وبينما كانت شركة OpenAI تعمل على تحسين حواجز السلامة الخاصة بها، كان منافسوها يشحنون أنظمة الإرسال المزدوج الكامل الخاصة بهم. Google Gemini Live، الذي يدعم المحادثة ثنائية الاتجاه جنبًا إلى جنب مع مشاركة الكاميرا والشاشة - وهي الإمكانيات التي تفتقر إليها GPT-Live بشكل ملحوظ عند الإطلاق - متوفر بالفعل في تطبيق Gemini. أصدرت Google برنامج Gemini 3.1 Flash Live في شهر مارس باعتباره نموذج الصوت عالي الجودة في الوقت الفعلي، والذي يستهدف التفاعلات الصوتية ذات زمن الوصول المنخفض للمطورين. أطلقت ByteDance تطبيق Seeduplex في أبريل، مدعية أنه أول خطاب ذكاء اصطناعي مزدوج كامل الإنتاج يتم نشره على نطاق واسع، داخل تطبيق Doubao الخاص بها. أبلغت Seeduplex عن انخفاض بنسبة 50 بالمائة تقريبًا في معدلات الاستجابة الخاطئة والمقاطعة الخاطئة مقارنة بنظام ByteDance السابق أحادي الاتجاه. كما أن برنامج PersonaPlex من Nvidia، الذي تم إصداره في يناير، جلب التحكم في الصوت والأدوار القابل للتخصيص إلى نماذج الإرسال المزدوج الكامل، مما أدى إلى كسر ما كان قيدًا حيث كانت النماذج ذات الصوت الطبيعي مقيدة بصوت ثابت واحد. الصورة التنافسية واضحة: أصبح التفاعل الصوتي مزدوج الاتجاه سريعًا بمثابة رهانات على طاولة منتجات الذكاء الاصطناعي الاستهلاكية، وليس عامل تمييز. تكمن ميزة OpenAI في حجم قاعدة المستخدمين الحالية، وتكاملها مع قدرات التفكير المنطقي لـ GPT-5.5، واتساع نطاق نظام ChatGPT البيئي. لكن النافذة التي تحتكر فيها أي شركة الذكاء الاصطناعي الصوتي الطبيعي قد أغلقت بالفعل. اعترفت OpenAI أيضًا بوجود العديد من الثغرات. لا يدعم GPT-Live مشاركة الصوت مع الفيديو أو الشاشة عند الإطلاق. دعم اللغة محدود، حيث أشارت الشركة إلى أنه \"بالنسبة لبعض اللغات، قد يكون للنموذج لهجة غير أصلية أو فجوات في الطلاقة\". كما أن الوصول إلى واجهة برمجة التطبيقات (API) غير متاح في اليوم الأول، مما يعني أن مطوري المؤسسات لا يمكنهم بعد الاعتماد على GPT-Live مباشرة - وهو قيد من شأنه أن يبطئ تغلغل النموذج في سير عمل الوكيل الصوتي التجاري حيث يمتلك المنافسون مثل Google وElevenLabs وDeepgram بالفعل منتجات تواجه المطورين. قد تكون نهاية مربع الدردشة أقرب مما توقعه أي شخص، إن GPT-Live هو في الأساس أهم رهان لـ OpenAI حتى الآن على الصوت باعتباره الواجهة الأساسية للذكاء الاصطناعي - وليس مجرد ميزة ملائمة مثبتة على روبوت الدردشة النصي، ولكن طبقة تفاعل مبنية لهذا الغرض تقع بين المستخدم وأقوى نماذج الشركة. وكتب OpenAI: \"بمرور الوقت، نعتقد أن هذا البحث سيفتح أيضًا القدرة على استخدام الصوت في أعمال معقدة بشكل متزايد، وأطول أمدًا، وأكثر فاعلية\". هذا الطموح - استخدام الصوت الطبيعي كواجهة أمامية لوكلاء الذكاء الاصطناعي المستقلين الذين يمكنهم أداء مهام متعددة الخطوات - هو نقطة النهاية المنطقية لبنية الإرسال المزدوج الكامل بالإضافة إلى التفويض. تخيل أنك تطلب من هاتفك حجز رحلة طيران، أو التفاوض مع شركة التأمين الخاصة بك، أو تصحيح أخطاء خادم الإنتاج، كل ذلك من خلال محادثة تبدو طبيعية مثل التحدث إلى مساعد يصادف أنه يتمتع أيضًا بذكاء نموذج الذكاء الاصطناعي الرائد. قبل عامين، كان التحدث إلى ChatGPT يعني الإملاء على الميكروفون والانتظار لمدة ثانيتين تقريبًا للحصول على رد متكلف. قبل عام واحد، كان ذلك يعني تبادلًا أكثر سلاسة لا يزال يبدو وكأنه مكالمة هاتفية مهذبة ومحرجة بعض الشيء مع شخص يصر على انتظارك حتى تنتهي من كل جملة. اليوم، يعني ذلك شيئًا أقرب إلى المحادثة الحقيقية - غير كامل، ولا يزال مقيدًا في بعض اللغات ويفتقد الفيديو، ولكنه أقرب بشكل لا لبس فيه. واجهت OpenAI مشكلة ذات مرة بسبب رغبتها في إعادة إنشاء الفيلم Her. مع GPT-Live، ربما تفكر الشركة أخيرًا في السؤال الأصعب الذي طرحه الفيلم بالفعل: ليس ما إذا كان الذكاء الاصطناعي يمكن أن يبدو بشريًا بما يكفي للتحدث إليه، ولكن ماذا يحدث لنا عندما يصبح الأمر كذلك؟ يفعل.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/ai-has-collapsed-the-cyber-response-window-resilience-now-starts-before-the-attack",
            "title_en": "AI has collapsed the cyber response window — resilience now starts before the attack",
            "summary_en": "Presented by Rubrik Enterprise cybersecurity is facing a fundamental speed problem. Frontier AI models are now enabling autonomous attacks that can move from initial access to full system breakout in as little as 27 seconds . That’s faster than any human-operated security workflow can detect, escalate, and respond. As a result, security operations can no longer assume there is time for humans to respond between breach and damage. The security posture that enterprises need for the AI era centers on cyber resilience: continuously identifying clean recovery states, mapping critical data and identity dependencies, and automating restoration so that operations can recover in hours not days. \"Everything that relied on process or human-in-the-loop intervention is no longer going to be able to exe",
            "body_en": "Presented by Rubrik Enterprise cybersecurity is facing a fundamental speed problem. Frontier AI models are now enabling autonomous attacks that can move from initial access to full system breakout in as little as 27 seconds . That’s faster than any human-operated security workflow can detect, escalate, and respond. As a result, security operations can no longer assume there is time for humans to respond between breach and damage. The security posture that enterprises need for the AI era centers on cyber resilience: continuously identifying clean recovery states, mapping critical data and identity dependencies, and automating restoration so that operations can recover in hours not days. \"Everything that relied on process or human-in-the-loop intervention is no longer going to be able to execute at the speed of the attacks,\" says Dev Rishi, GM of AI at Rubrik. \"If the attacks are happening in 27 seconds, it means I need my recovery to happen just as quickly.\" Traditional detection and prevention are failing against AI-driven attacks The rules-based logic that has defined enterprise security for decades, such as static access controls, known signature detection and deterministic behavioral policies, was engineered for deterministic software. AI agents behave differently. They're non-deterministic, capable of pursuing the same objective through many different paths, and increasingly capable of circumventing static guardrails by finding alternative routes when one is blocked. The deeper problem is that conventional security logic checks identity, permissions, and access, and asks whether each individual access is permitted. But it can’t evaluate whether a sequence of permitted actions, taken across multiple applications, constitutes either a data leak, a destructive operation, or an attack. \"You need a system that can understand context,\" Rishi says. \"You need to use AI to look at what an agent is doing and say, ‘it looks like what you're doing might be a risk of leaking sensitive data externally.’\" How AI agents are blurring the line between internal and external cyber threats Enterprise security has historically maintained a meaningful distinction between external and internal threat vectors. External threats can be multidimensional, lightning fast, and come from a variety of vectors. On the other hand, internal threats were traditionally bounded by what a single human actor could accomplish before detection, constrained in speed, scope, and scale, but that distinction is falling apart as AI agents operate inside enterprise environments. These agents have access to multiple systems simultaneously and move at speeds no human employee can match. When an agent makes a mistake, such as a hallucination, misread instruction, or an unintended data transfer, the resulting damage can look operationally identical to a malicious insider attack. And when an external attacker compromises an internal agent, they inherit its full access profile across every connected application. \"Whether or not the agent is an internal threat because of an inadvertent mistake or because it's been maliciously compromised, you need runtime guardrails that enforce your organizations policies consistently across agents,\" Rishi says. \"The practical answer is an AI-native guardian layer that monitors agent behavior semantically, understands intent across actions, and can block or terminate a misbehaving agent at machine speed, then trigger recovery immediately.\" Preparing for a world of inevitable compromise Frontier AI models, including those capable of discovering and operationalizing zero-day vulnerabilities autonomously, are changing the economics of attacks. As a result, interest in Mythos readiness is growing. Enterprises are increasingly operating under two assumptions: that attacks are inevitable, not exceptional, and that investment in resilience and rapid recovery must be treated as strategically as investment in prevention has been. The shift reframes recovery from a post-incident activity into a capability that is deliberately designed, tested, and continuously validated. \"The idea that you can recover quickly from an attack is going to become one of the most important facets of security,\" Rishi says. \"It's the insurance policy that organizations now have to treat as a first-class citizen.\" Why AI-powered cyber resilience depends on small models True cyber resilience is a two-sided coin: it demands both real-time intelligent enforcement to intercept threats in motion, and automated recovery to restore operations immediately. While having backups is a baseline, organizations need workflows that can continuously monitor systems at machine speed, and instantly determine the most recent clean state under attack conditions. Applying AI to the first half of that equation—real-time enforcement—creates a fundamental technical and economic challenge. Relying on massive frontier models to monitor every agent action introduces crippling latency overhead and exorbitant computing costs. A guardian AI system that slows down operations or costs as much as the systems it monitors is simply not viable for widespread adoption. “It has to be a fast, small, and cheap AI model,” Rishi says. “No one wants to sign up for a secure solution that doubles their cost or latency.” This is why small language models (SLMs) are critical for real-time enforcement. Rubrik’s approach, anchored by its acquisition of Predibase, is to build this frontline defense layer on small models optimized specifically for speed and efficiency. Unlike heavy frontier models, SLMs can semantically evaluate agent behavior at machine speed and at a fraction of the cost, acting as a real-time checkpoint. That hyper-efficient enforcement layer is what enables a tighter, seamless connection to recovery. When the system observes an agent taking a destructive action—such as deleting a database, corrupting a critical file, or exfiltrating sensitive data—the small model detects it immediately, halts the damage, identifies the most recent clean snapshot from before the incident, and initiates recovery in a single, automated workflow. The shift from incident response to architectural resilience The broader implication of Mythos and similar frontier AI systems is a shift in how organizations think about security. As AI compresses the gap between attack and impact, resilience and recovery become architectural requirements rather than operational considerations. Rubrik’s view is that security systems can no longer stop at detection. As AI agents gain greater autonomy, observability, identity context, and recovery must operate as a coordinated resilience layer. The goal is not simply to identify when something has gone wrong, but to shorten the gap between detection and restoration. \"The same thing that's introducing the threats, the frontier capabilities of models like Mythos, can also be used to help us combat the threat,\" Rishi says. \"Positioning yourself for the AI era means closing the gap between detecting that something has gone wrong and restoring the systems that were affected, before the cost of that gap compounds.\" Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/4T2htIP8mhYat38Af7hJvJ\/75a794552f257afbd5081672db92b0d0\/AdobeStock_1880287912.jpeg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/ai-has-collapsed-the-cyber-response-window-resilience-now-starts-before-the-attack",
            "date": "2026-07-08",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "لقد أدى الذكاء الاصطناعي إلى انهيار نافذة الاستجابة السيبرانية - حيث تبدأ المرونة الآن قبل الهجوم",
            "summary_ar": "يواجه الأمن السيبراني المقدم من Rubrik Enterprise مشكلة أساسية في السرعة. تعمل نماذج Frontier AI الآن على تمكين الهجمات المستقلة التي يمكنها الانتقال من الوصول الأولي إلى اختراق النظام بالكامل في أقل من 27 ثانية. وهذا أسرع مما يمكن لأي سير عمل أمني يديره الإنسان اكتشافه وتصعيده والاستجابة له. ونتيجة لذلك، لم تعد العمليات الأمنية قادرة على افتراض وجود وقت للبشر للرد بين الانتهاك والضرر. يتمحور الموقف الأمني ​​الذي تحتاجه المؤسسات في عصر الذكاء الاصطناعي حول المرونة السيبرانية: التحديد المستمر لحالات التعافي النظيف، ورسم خرائط للبيانات المهمة وتبعيات الهوية، وأتمتة عملية الاستعادة حتى تتمكن العمليات من التعافي في ساعات وليس أيام. \"كل ما يعتمد على العملية أو التدخل البشري في الحلقة لن يكون قادرًا على الاستمرار إملف تنفيذى",
            "body_ar": "يواجه الأمن السيبراني المقدم من Rubrik Enterprise مشكلة أساسية في السرعة. تعمل نماذج Frontier AI الآن على تمكين الهجمات المستقلة التي يمكنها الانتقال من الوصول الأولي إلى اختراق النظام بالكامل في أقل من 27 ثانية. وهذا أسرع مما يمكن لأي سير عمل أمني يديره الإنسان اكتشافه وتصعيده والاستجابة له. ونتيجة لذلك، لم تعد العمليات الأمنية قادرة على افتراض وجود وقت للبشر للرد بين الانتهاك والضرر. يتمحور الموقف الأمني ​​الذي تحتاجه المؤسسات في عصر الذكاء الاصطناعي حول المرونة السيبرانية: التحديد المستمر لحالات التعافي النظيف، ورسم خرائط للبيانات المهمة وتبعيات الهوية، وأتمتة عملية الاستعادة حتى تتمكن العمليات من التعافي في ساعات وليس أيام. يقول ديف ريشي، المدير العام للذكاء الاصطناعي في شركة Rubrik: \"كل شيء يعتمد على العملية أو التدخل البشري في الحلقة لن يكون قادرًا على التنفيذ بسرعة الهجمات\". \"إذا حدثت الهجمات خلال 27 ثانية، فهذا يعني أنني بحاجة إلى أن يتم تعافيي بنفس السرعة.\" يفشل الكشف التقليدي والوقاية في مواجهة الهجمات التي يقودها الذكاء الاصطناعي. لقد تم تصميم المنطق القائم على القواعد الذي حدد أمان المؤسسة لعقود من الزمن، مثل ضوابط الوصول الثابتة، واكتشاف التوقيعات المعروفة والسياسات السلوكية الحتمية، للبرامج الحتمية. يتصرف عملاء الذكاء الاصطناعي بشكل مختلف. إنهم غير حتميين، وقادرون على متابعة نفس الهدف من خلال العديد من المسارات المختلفة، وقادرون بشكل متزايد على التحايل على حواجز الحماية الثابتة من خلال إيجاد طرق بديلة عندما يتم حظر أحدها. المشكلة الأعمق هي أن منطق الأمان التقليدي يتحقق من الهوية والأذونات والوصول، ويسأل ما إذا كان كل وصول فردي مسموحًا به. ولكن لا يمكنها تقييم ما إذا كانت سلسلة الإجراءات المسموح بها، التي تم اتخاذها عبر تطبيقات متعددة، تشكل تسربًا للبيانات، أو عملية مدمرة، أو هجومًا. يقول ريشي: \"أنت بحاجة إلى نظام يمكنه فهم السياق\". \"أنت بحاجة إلى استخدام الذكاء الاصطناعي للنظر إلى ما يفعله الوكيل والقول، \"يبدو أن ما تفعله قد يكون خطرًا لتسريب بيانات حساسة خارجيًا\".\" كيف يعمل وكلاء الذكاء الاصطناعي على طمس الخط الفاصل بين التهديدات السيبرانية الداخلية والخارجية لقد حافظ أمن المؤسسات تاريخيًا على تمييز هادف بين نواقل التهديدات الخارجية والداخلية. يمكن أن تكون التهديدات الخارجية متعددة الأبعاد، وبسرعة البرق، وتأتي من مجموعة متنوعة من المتجهات. من ناحية أخرى، كانت التهديدات الداخلية مقيدة تقليديًا بما يمكن أن ينجزه ممثل بشري واحد قبل اكتشافه، وكانت مقيدة بالسرعة والنطاق والحجم، لكن هذا التمييز ينهار مع عمل عملاء الذكاء الاصطناعي داخل بيئات المؤسسات. يتمتع هؤلاء العملاء بإمكانية الوصول إلى أنظمة متعددة في وقت واحد ويتحركون بسرعات لا يمكن لأي موظف بشري أن يضاهيها. عندما يرتكب أحد العملاء خطأ ما، مثل الهلوسة، أو قراءة تعليمات خاطئة، أو نقل بيانات غير مقصودة، يمكن أن يبدو الضرر الناتج مطابقًا من الناحية التشغيلية لهجوم خبيث من الداخل. وعندما يقوم مهاجم خارجي باختراق وكيل داخلي، فإنه يرث ملف تعريف الوصول الكامل الخاص به عبر كل تطبيق متصل. يقول ريشي: \"سواء كان الوكيل يمثل تهديدًا داخليًا أم لا بسبب خطأ غير مقصود أو لأنه تم اختراقه بشكل ضار، فأنت بحاجة إلى حواجز حماية في وقت التشغيل تفرض سياسات مؤسستك بشكل متسق عبر الوكلاء\". \"الإجابة العملية هي طبقة حماية أصلية من الذكاء الاصطناعي تراقب سلوك الوكيل لغويًا، وتفهم النية عبر الإجراءات، ويمكنها حظر أو إنهاء الوكيل الذي يسيء التصرف بسرعة الآلة، ثم تشغيل عملية الاسترداد على الفور.\" الاستعداد لعالم من التسوية الحتمية تعمل نماذج Frontier AI، بما في ذلك تلك القادرة على اكتشاف وتشغيل ثغرات يوم الصفر بشكل مستقل، على تغيير اقتصاديات الهجمات. ونتيجة لذلك، يتزايد الاهتمام باستعداد ميثوس. وتعمل الشركات على نحو متزايد في ظل افتراضين: أن الهجمات حتمية وليست استثنائية، وأن الاستثمار في القدرة على الصمود والتعافي السريع يجب أن يُعامل من الناحية الاستراتيجية كما حدث مع الاستثمار في الوقاية. ويعيد هذا التحول صياغة التعافي من نشاط ما بعد الحادث إلى قدرة يتم تصميمها واختبارها والتحقق من صحتها بشكل مستمر. يقول ريشي: \"إن فكرة إمكانية التعافي بسرعة من الهجوم ستصبح أحد أهم جوانب الأمن\". \"إنها بوليصة التأمين التي يتعين على المنظمات الآن التعامل معها كمواطن من الدرجة الأولى.\" لماذا تعتمد المرونة السيبرانية المدعومة بالذكاء الاصطناعي على نماذج صغيرة؟ إن المرونة السيبرانية الحقيقية هي عملة ذات وجهين: فهي تتطلب التنفيذ الذكي في الوقت الفعلي لاعتراض التهديدات المتحركة، والاسترداد الآلي لاستعادة العمليات على الفور. على الرغم من أن وجود نسخ احتياطية يعد بمثابة خط الأساس، إلا أن المؤسسات تحتاج إلى مسارات عمل يمكنها مراقبة الأنظمة بشكل مستمر بسرعة الجهاز، وتحديد أحدث حالة نظيفة على الفور في ظل ظروف الهجوم. إن تطبيق الذكاء الاصطناعي على النصف الأول من هذه المعادلة – التنفيذ في الوقت الفعلي – يخلق تحديًا تقنيًا واقتصاديًا أساسيًا. إن الاعتماد على نماذج حدودية ضخمة لمراقبة كل تصرفات الوكيل يؤدي إلى زمن استجابة معوق وتكاليف حوسبة باهظة. إن نظام الذكاء الاصطناعي الحارس الذي يبطئ العمليات أو يكلف نفس تكلفة الأنظمة التي يراقبها، هو ببساطة غير قابل للتطبيق على نطاق واسع. يقول ريشي: \"يجب أن يكون نموذجًا سريعًا وصغيرًا ورخيصًا للذكاء الاصطناعي\". \"لا أحد يرغب في الاشتراك للحصول على حل آمن يضاعف التكلفة أو زمن الاستجابة.\" ولهذا السبب تعد نماذج اللغات الصغيرة (SLM) ضرورية للتنفيذ في الوقت الفعلي. يتمثل نهج Rubrik، الذي يرتكز على استحواذها على Predibase، في بناء طبقة الدفاع الأمامية هذه على نماذج صغيرة مُحسّنة خصيصًا للسرعة والكفاءة. على عكس النماذج الحدودية الثقيلة، يمكن لأنظمة SLM إجراء تقييم دلالي لسلوك الوكيل بسرعة الآلة وبجزء بسيط من التكلفة، حيث تعمل بمثابة نقطة تفتيش في الوقت الفعلي. إن طبقة التنفيذ عالية الكفاءة هذه هي التي تتيح اتصالاً أكثر إحكامًا وسلاسة لعملية الاسترداد. عندما يلاحظ النظام وكيلًا يتخذ إجراءً مدمرًا - مثل حذف قاعدة بيانات، أو إتلاف ملف مهم، أو سحب بيانات حساسة - يكتشف النموذج الصغير ذلك على الفور، ويوقف الضرر، ويحدد أحدث لقطة نظيفة من قبل الحادث، ويبدأ عملية الاسترداد في سير عمل تلقائي واحد. التحول من الاستجابة للحوادث إلى المرونة المعمارية إن التأثير الأوسع لـ Mythos وأنظمة الذكاء الاصطناعي الحدودية المماثلة هو تحول في كيفية تفكير المؤسسات في الأمن. وبينما يقوم الذكاء الاصطناعي بتضييق الفجوة بين الهجوم والتأثير، تصبح المرونة والتعافي متطلبات معمارية بدلاً من اعتبارات تشغيلية. وجهة نظر روبيريك هي أن الأنظمة الأمنية لم تعد قادرة على التوقف عند الاكتشاف. ومع حصول وكلاء الذكاء الاصطناعي على قدر أكبر من الاستقلالية، يجب أن تعمل إمكانية الملاحظة وسياق الهوية والتعافي كطبقة مرونة منسقة. والهدف ليس مجرد تحديد متى حدث خطأ ما، بل تقليص الفجوة بين الاكتشاف والاستعادة. يقول ريشي: \"نفس الشيء الذي يقدم التهديدات، وهو القدرات الحدودية لنماذج مثل Mythos، يمكن استخدامها أيضًا لمساعدتنا في مكافحة التهديد\". \"إن وضع نفسك في مكان مناسب لعصر الذكاء الاصطناعي يعني سد الفجوة بين اكتشاف حدوث خطأ ما واستعادة الأنظمة التي تأثرت، قبل أن تتضاعف تكلفة هذه الفجوة.\" المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/slacks-slackbot-can-now-pull-your-crm-data-generate-charts-and-send-docusigns-all-from-a-chat-message",
            "title_en": "Slack’s Slackbot can now pull your CRM data, generate charts, and send DocuSigns — all from a chat message.",
            "summary_en": "Five years and $27.7 billion after Salesforce acquired Slack, the two products are finally starting to function as a single system. On Tuesday, Slack launched an integration that connects Slackbot — the personal AI agent built into every workspace — to the entire Salesforce platform, including CRM data, Tableau analytics, Data 360 customer profiles, and a growing constellation of third-party applications, all through a single conversational prompt. The mechanism behind the expansion is a set of dedicated Model Context Protocol (MCP) servers from Salesforce that connect Slackbot to the company's Headless 360 infrastructure . In practical terms, a salesperson can now ask Slackbot for a customer's deal history, receive a live Tableau visualization of pipeline trends, update a CRM re",
            "body_en": "Five years and $27.7 billion after Salesforce acquired Slack, the two products are finally starting to function as a single system. On Tuesday, Slack launched an integration that connects Slackbot — the personal AI agent built into every workspace — to the entire Salesforce platform, including CRM data, Tableau analytics, Data 360 customer profiles, and a growing constellation of third-party applications, all through a single conversational prompt. The mechanism behind the expansion is a set of dedicated Model Context Protocol (MCP) servers from Salesforce that connect Slackbot to the company's Headless 360 infrastructure . In practical terms, a salesperson can now ask Slackbot for a customer's deal history, receive a live Tableau visualization of pipeline trends, update a CRM record, and trigger a DocuSign approval — without ever switching tabs or logging into another application. According to Slack, the Salesforce IT team has already used this architecture to save its 1,500-plus engineers \"thousands of custom coding hours annually.\" The timing is not accidental. Slack is making this move amid escalating competitive pressure from Microsoft Teams, which claims 320 million-plus monthly active users and has Copilot embedded across the Office suite, and from Google, which continues to weave Gemini deeper into Workspace . And just days ago, The Information reported that some smaller companies are using Anthropic's Claude to r eplace Salesforce CRM entirely — one Atlanta-based property management firm with about 55 employees reportedly saved around $100,000 annually by building a custom replacement using Claude Code and Replit. Against that backdrop, Slack CMO Ryan Gavin sat down for an exclusive interview with VentureBeat to frame the announcement and argue that the company's future depends on an idea he calls \"multiplayer AI\" — and that the 25 years of customer data locked inside Salesforce is an asset no vibe-coded alternative can replicate. Why Slack's CMO believes 'multiplayer AI' is the next big enterprise battleground Gavin's core argument is that the enterprise AI conversation has been stuck in single-player mode for too long, and that Slack is uniquely positioned to break it open. \"So much of what we've seen are just these incredible tools that have largely been single-player, incredible tools for individual productivity, helping people complete tasks and write code,\" Gavin told VentureBeat. \"But as we've always known at Slack ever since our inception, work is a team sport. For AI to really take hold in the enterprise, it has to be multiplayer.\" The distinction matters commercially. Most AI assistants today — ChatGPT, Claude, Copilot — default to one-on-one conversations with a single user. A researcher queries a model, gets a response, and acts on it alone. The insight stays in a private chat window, invisible to colleagues. Gavin argues this creates a new version of the tab-switching problem that plagued pre-AI enterprise software, except now employees are also navigating dozens of individual agent interfaces on top of their existing applications. \"It's going to benefit almost no one if every enterprise application out there spawns hundreds of agent babies, and employees end up in a worse world than they were before,\" Gavin said. Slack's answer is to make Slackbot the orchestration layer. Because everything happens in shared channels, any action an agent takes — pulling a customer profile, flagging a deal risk, updating a Jira ticket — is visible to the entire team. A colleague can redirect, build on, or correct the agent's work in real time. How MCP and Salesforce's headless 360 platform power Slackbot's new capabilities The technical backbone of the announcement is the Model Context Protocol , an open standard originally developed by Anthropic that defines how AI models discover and invoke external tools. MCP has seen rapid adoption across the AI tooling ecosystem. By early 2026, it had been adopted by Claude Code , Cursor , GitHub Copilot , and OpenAI's tooling, with managed hosting available from AWS , Cloudflare , and Vercel . As a DEV Community explainer puts it, MCP \"is the closest thing the AI tooling ecosystem has to a standard.\" In this implementation, Salesforce exposes its platform capabilities — CRM records, Tableau visualizations, Data 360 customer profiles, Agentforce agents — as MCP servers. Slackbot operates as an MCP client, connecting to those servers and routing user queries to the appropriate back-end system. When a user asks Slackbot about a customer, the bot discovers which MCP tools are relevant, calls them, and synthesizes the results into a single response — all within the Slack conversation. Gavin explained the architecture in simple terms: \"Salesforce is extending what has always been our open platform through our Headless 360 strategy — making all of these MCP endpoints available. And then Slackbot acts as an MCP client, connecting to those MCP servers and bringing all that data in within the confines of a trusted permission platform.\" That permission layer is critical. Slackbot respects each user's Salesforce permissions, meaning a marketing coordinator cannot accidentally access sales pipeline data they are not authorized to see. Validation rules, field-level security, and org-wide data boundary configurations carry over automatically. For admins, setup requires no custom integration code — Salesforce MCP servers can be discovered, installed, and governed from a single UI using the existing Slack-Salesforce connection. Salesforce first introduced the Headless 360 concept at its TDX developer conference in April, positioning it as an API-driven layer that exposes the platform's data, workflows, and governance controls so that software agents, rather than human users, can execute business processes directly. As CIO.com reported at the time, analysts viewed the move as an effort by Salesforce \"to position itself as a central layer for managing agent-driven operations across different business functions.\" Slack says it's betting on openness, not on any single AI protocol When asked whether Slack is making a risky bet on MCP as a protocol — given that standards in AI tooling can shift rapidly — Gavin reframed the question entirely. \"We're not betting on MCP, per se. We're betting on what we've always bet on, which is that Slack is an open platform,\" Gavin told VentureBeat. \"MCP happens to be the best agent-to-agent protocol that the industry is rallying around right now, but if something better came out tomorrow, you'd see the same pattern from Slack — we're going to stay open. MCP and APIs are simply tools that facilitate that.\" That open-platform philosophy is central to Slack's identity and, Gavin argues, its competitive differentiation. Slack already hosts more than 2,600 app integrations . The new MCP-native partner ecosystem includes Atlassian , Box , DocuSign , Canva , Lucid , Zoom , and more than 25 additional companies, each of whose agents can be added directly to shared Slack channels. MuleSoft Agent , now connected to Slackbot, helps manage integrations for the team — checking system health or surfacing critical error alerts in the same workspace where the team is already collaborating. But MCP is not without trade-offs. The protocol requires tool discovery on every connection, and large tool libraries can consume significant context tokens. One technical analysis noted that a server exposing 300 tools could cost 5,000 to 10,000 tokens per session before the model does any useful work. For an enterprise like Salesforce with hundreds of potential tools across CRM, analytics, and service platforms, careful filtering and segmentation of MCP servers become essential design decisions — a challenge the company will need to navigate as the ecosystem scales. Inside Slack's complicated relationship with Anthropic and the Claude question Perhaps the most delicate topic in the interview concerned Slack's relationship with Anthropic, the AI lab behind Claude — and one of Slack's most visible power users. Just last week, Anthropic launched Claude Tag , a persistent AI teammate that works inside Slack channels, prompting confusion among Salesforce employees who worried it competes directly with Slackbot and Agentforce. The Information reported internal anxiety about whether Salesforce was welcoming a competitor into its own living room. Salesforce has financial reasons to maintain the partnership: the company reportedly expects to spend $300 million on Anthropic tokens this year and holds a stake in Anthropic. Gavin addressed the tension head-on, framing it as a feature of Slack's platform strategy rather than a threat. \"We're incredibly excited and bullish about what Anthropic is bringing into Slack. Period. End of statement,\" Gavin said. He noted that Anthropic \"is building roughly 65% of their code with Claude in Slack,\" and pointed out that ChatGPT was originally built in Slack, as was Perplexity. \"Building nowadays happens in the open, and every company is going to be building in the open with tools like this, and you need a platform to build in the open,\" Gavin said. His argument is that feature overlap between Slackbot , Claude Tag , and other third-party agents is \"actually a feature, not a bug\" — a sign of a healthy platform rather than a competitive vulnerability. He compared it to an ecosystem where multiple products serve similar needs but win on craftsmanship, ease of use, and integration depth. \"One of the reasons Slackbot has been the fastest-adopted feature in Salesforce history is the simplicity, the approachability — underpinned by the trust that comes from having an agent that knows me, knows my tone, knows my work, knows my people, knows my data,\" Gavin said. The distinction Slack draws is structural: Slackbot has access to a user's full workspace context, Salesforce data, permissions, and connected applications by default. Claude Tag, by contrast, only sees the channels it is explicitly added to. For Slack's leadership, that asymmetry is the moat. How Slack plans to compete with Microsoft Teams and Google in the AI era Asked directly about competitive positioning against Microsoft Teams and Google Workspace , Gavin pointed to Slack's open channel architecture as the differentiator no competitor can replicate. \"If you spend any time in Teams, it's a lovely tool for chat, direct messages, and video, but it has no platform for open communication across organizations,\" Gavin said. \"Its SharePoint-based architecture is fundamentally limiting.\" He cited Shopify as an example, where an internal AI agent called River is deployed across approximately 4,400 channels serving 6,000 employees. He also referenced a Fortune report noting that Microsoft's own head of AI mandated that his team run on Slack rather than Teams — a pointed detail Gavin clearly relished. \"There's a reason for that,\" he said. \"We're in an era right now where openness matters, and all the other tools you mentioned, they're still relatively closed.\" The competitive pressure is real and intensifying. Microsoft has integrated Copilot across its entire productivity suite, giving it a distribution advantage that reaches virtually every Fortune 500 company. Google has been similarly aggressive with Gemini across Workspace. And new entrants are crowding the market: a startup called Viktor , which embeds AI agents inside Slack and Teams workspaces, recently raised a $75 million Series A led by Accel — with Slack cofounders Stewart Butterfield and Cal Henderson participating as angel investors. Box , one of the enterprise customers highlighted in the announcement, told Slack it aims to have its sellers complete 75 to 80 percent of their work inside Slack. Gavin repeated that figure as evidence that the platform is becoming the default workspace for entire organizations, not just engineering teams — a shift he believes accelerates as AI makes every employee a builder. Slack's biggest long-term play is making Salesforce's CRM useful to everyone in the company Gavin saved what he considers the most underappreciated element of the announcement for last: the democratization of Salesforce's CRM. For 25 years, Salesforce's CRM has been used primarily by sales, service, and marketing professionals — a relatively modest percentage of a company's total workforce. The promise of Slackbot as a conversational interface is that any employee, regardless of their role or technical fluency, can now query and act on CRM data simply by asking a question in natural language. \"What most people don't realize is that this democratization of CRM is going to take its usage from a modest percentage of employees to the entire enterprise,\" Gavin said. \"When you can make systems like Data 360 or Agentforce for Sales accessible to the entire employee base — not just a percentage — think about how much more valuable those investments become.\" He cited Engine , a company that handles 800,000 customer inquiries a year, as an example. Previously, answering a customer inquiry required a specific employee with access to a specific tool to look up a customer's history. Now, anyone in the company can ask Slackbot and see a complete customer profile, review case history, and write updates — all without being retrained or learning a new interface. Engine's CEO Elia Wallen, in a statement sent to VentureBeat, described the integration as enabling employees to \"make data-driven decisions and take action without leaving the conversation.\" The financial logic is straightforward: if Salesforce can make its platform useful to 100 percent of a customer's workforce rather than the 20 or 30 percent who currently hold licenses, the value of the existing Salesforce investment multiplies without requiring a proportional increase in spending. That pitch becomes especially potent at a time when CIOs are scrutinizing every line of their AI budgets. What analysts and CIOs should watch as Slack rolls out its biggest AI update yet The announcement is a significant architectural evolution for Slack, but several questions remain unanswered. First, pricing. The company did not directly address whether Slackbot's MCP-powered Salesforce integration will require additional SKUs or license tiers. As Info-Tech Research Group analyst Scott Bickley cautioned when Headless 360 was first announced in April, \"Salesforce's MO seems to be to announce new capabilities that require SKUs. CIOs should be asking about pricing now.\" Second, performance. Routing user queries through MCP servers to Salesforce back-end systems introduces latency that could affect the conversational feel Slack prides itself on. Neither the press release nor the interview disclosed SLAs for MCP tool calls — a gap that enterprise buyers will want addressed. Third, the competitive dynamics of the platform play. Slack's open-platform philosophy invites powerful partners like Anthropic and OpenAI into its ecosystem, but those same partners are building their own surfaces for enterprise work. Anthropic reportedly plans to expand Claude Tag to Microsoft Teams, email, and other project management tools — meaning the partner Salesforce is paying hundreds of millions a year is building the infrastructure to be useful without Slack at all. And fourth, the broader existential question facing all enterprise software: whether AI agents will ultimately reduce the need for CRM systems entirely. Gavin's pitch — that Slack makes CRM more valuable by making it more accessible — is the inverse of the bear case. The market will ultimately decide which thesis prevails. Salesforce reported record first-quarter revenue of $11.1 billion in fiscal Q1 2027 , with Agentforce ARR surpassing $1 billion for the first time and combined AI and data ARR reaching $3.4 billion. Those numbers suggest the AI strategy is beginning to generate real revenue, even as the company navigates a market that remains uncertain about the long-term trajectory of legacy enterprise software. \"Slack has quickly moved from this beloved collaboration tool from the last ten years to now this multiplayer AI platform that we call a work operating system,\" Gavin said. Five years ago, Salesforce paid $27.7 billion for what was, at its core, a very good group chat application. On Wednesday, it started trying to prove that group chat was never the product — it was the foundation. In the age of AI agents, the most valuable real estate in enterprise software may not be the database where the data lives. It may be the conversation where the decisions get made.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/26wtVjAYvqNrGxu1Sz1Vv3\/5cbfe7f7a2648364ec2282416024dc5c\/Nuneybits_Vector_art_of_Salesforce_cloud_in_Slack_40a7a25e-c4c2-4f08-84ca-1bb7f301b728.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/slacks-slackbot-can-now-pull-your-crm-data-generate-charts-and-send-docusigns-all-from-a-chat-message",
            "date": "2026-07-08",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يمكن لـ Slack's Slackbot الآن سحب بيانات CRM الخاصة بك، وإنشاء المخططات، وإرسال DocuSigns - كل ذلك من رسالة دردشة.",
            "summary_ar": "بعد خمس سنوات و27.7 مليار دولار بعد استحواذ Salesforce على Slack، بدأ المنتجان أخيرًا العمل كنظام واحد. في يوم الثلاثاء، أطلقت Slack عملية تكامل تربط Slackbot - وكيل الذكاء الاصطناعي الشخصي المدمج في كل مساحة عمل - بمنصة Salesforce بأكملها، بما في ذلك بيانات CRM، وتحليلات Tableau، وملفات تعريف عملاء Data 360، ومجموعة متنامية من تطبيقات الطرف الثالث، كل ذلك من خلال مطالبة محادثة واحدة. الآلية الكامنة وراء التوسيع هي مجموعة من خوادم بروتوكول السياق النموذجي (MCP) المخصصة من Salesforce والتي تربط Slackbot بالبنية التحتية Headless 360 للشركة. من الناحية العملية، يمكن لمندوب المبيعات الآن أن يطلب من Slackbot سجل صفقات العميل، والحصول على تصور Tableau مباشر لاتجاهات خط الأنابيب، وتحديث نظام إدارة علاقات العملاء (CRM) يكرر",
            "body_ar": "بعد خمس سنوات و27.7 مليار دولار بعد استحواذ Salesforce على Slack، بدأ المنتجان أخيرًا العمل كنظام واحد. في يوم الثلاثاء، أطلقت Slack عملية تكامل تربط Slackbot - وكيل الذكاء الاصطناعي الشخصي المدمج في كل مساحة عمل - بمنصة Salesforce بأكملها، بما في ذلك بيانات CRM، وتحليلات Tableau، وملفات تعريف عملاء Data 360، ومجموعة متنامية من تطبيقات الطرف الثالث، كل ذلك من خلال مطالبة محادثة واحدة. الآلية الكامنة وراء التوسيع هي مجموعة من خوادم بروتوكول السياق النموذجي (MCP) المخصصة من Salesforce والتي تربط Slackbot بالبنية التحتية Headless 360 للشركة. من الناحية العملية، يمكن لمندوب المبيعات الآن أن يطلب من Slackbot سجل صفقات العميل، والحصول على تصور Tableau مباشر لاتجاهات خطوط الأنابيب، وتحديث سجل CRM، والحصول على موافقة DocuSign - دون تبديل علامات التبويب أو تسجيل الدخول إلى تطبيق آخر. وفقًا لـ Slack، استخدم فريق تكنولوجيا المعلومات في Salesforce بالفعل هذه البنية لتوفير \"آلاف ساعات البرمجة المخصصة سنويًا\" لمهندسيه الذين يزيد عددهم عن 1500 مهندس. التوقيت ليس عرضيًا. يقوم Slack بهذه الخطوة وسط ضغوط تنافسية متصاعدة من Microsoft Teams، التي تدعي أن لديها أكثر من 320 مليون مستخدم نشط شهريًا ولديها Copilot مضمن عبر مجموعة Office، ومن Google، التي تواصل نسج Gemini بشكل أعمق في Workspace. وقبل أيام فقط، ذكرت صحيفة The Information أن بعض الشركات الصغيرة تستخدم Anthropic's Claude لتحل محل Salesforce CRM بالكامل - حيث أفادت التقارير أن إحدى شركات إدارة العقارات التي يوجد مقرها في أتلانتا والتي تضم حوالي 55 موظفًا وفرت حوالي 100000 دولار سنويًا من خلال إنشاء بديل مخصص باستخدام Claude Code وReplit. على هذه الخلفية، جلس مدير التسويق في Slack، ريان جافين، لإجراء مقابلة حصرية مع VentureBeat لوضع إطار للإعلان والقول بأن مستقبل الشركة يعتمد على فكرة يسميها \"الذكاء الاصطناعي متعدد اللاعبين\" - وأن 25 عامًا من بيانات العملاء المحبوسة داخل Salesforce هي أحد الأصول التي لا يمكن لأي بديل مشفر أن يكررها. لماذا يعتقد كبير مسؤولي التسويق في Slack أن \"الذكاء الاصطناعي متعدد اللاعبين\" هو ساحة المعركة الكبيرة التالية للمؤسسات؟ الحجة الأساسية لجافين هي أن محادثة الذكاء الاصطناعي للمؤسسة ظلت عالقة في وضع اللاعب الفردي لفترة طويلة جدًا، وأن Slack في وضع فريد يسمح له بفتحها. وقال جافين لـ VentureBeat: \"الكثير مما رأيناه هو مجرد هذه الأدوات الرائعة التي كانت إلى حد كبير لاعبًا واحدًا، وأدوات مذهلة للإنتاجية الفردية، ومساعدة الأشخاص على إكمال المهام وكتابة التعليمات البرمجية\". \"ولكن كما عرفنا دائمًا في Slack منذ بدايتنا، فإن العمل هو رياضة جماعية. ولكي يترسخ الذكاء الاصطناعي في المؤسسة، يجب أن يكون متعدد اللاعبين.\" التمييز مهم تجاريا. معظم مساعدي الذكاء الاصطناعي اليوم - ChatGPT، وClaude، وCopilot - يستخدمون المحادثات الفردية مع مستخدم واحد بشكل افتراضي. يقوم الباحث بالاستعلام عن نموذج، ويحصل على إجابة، ويعمل عليه بمفرده. تبقى الرؤية في نافذة محادثة خاصة، غير مرئية للزملاء. يقول جافين إن هذا يخلق نسخة جديدة من مشكلة تبديل علامات التبويب التي ابتليت بها برامج المؤسسات قبل الذكاء الاصطناعي، إلا أن الموظفين الآن يتنقلون أيضًا بين العشرات من واجهات الوكلاء الفردية فوق تطبيقاتهم الحالية. وقال جافين: \"لن يستفيد أحد تقريبًا إذا أدى كل تطبيق مؤسسي إلى إنتاج مئات من العملاء الصغار، وينتهي الأمر بالموظفين في عالم أسوأ مما كانوا عليه من قبل\". إجابة Slack هي جعل Slackbot طبقة التنسيق. نظرًا لأن كل شيء يحدث في القنوات المشتركة، فإن أي إجراء يتخذه الوكيل - سحب ملف تعريف العميل، أو الإبلاغ عن مخاطر الصفقة، أو تحديث تذكرة Jira - يكون مرئيًا للفريق بأكمله. يمكن للزميل إعادة توجيه عمل الوكيل أو البناء عليه أو تصحيحه في الوقت الفعلي. كيف تعمل منصة 360 مقطوعة الرأس الخاصة بـ MCP و Salesforce على تعزيز قدرات Slackbot الجديدة. العمود الفقري الفني للإعلان هو بروتوكول السياق النموذجي، وهو معيار مفتوح تم تطويره في الأصل بواسطة Anthropic والذي يحدد كيفية اكتشاف نماذج الذكاء الاصطناعي للأدوات الخارجية واستدعائها. لقد شهدت MCP اعتماداً سريعًا عبر النظام البيئي لأدوات الذكاء الاصطناعي. بحلول أوائل عام 2026، تم اعتمادها بواسطة أدوات Claude Code وCursor وGitHub Copilot وOpenAI، مع توفر الاستضافة المُدارة من AWS وCloudflare وVercel. وكما قال أحد مفسري مجتمع DEV، فإن MCP \"هو أقرب شيء يجب أن يكون عليه النظام البيئي لأدوات الذكاء الاصطناعي.\" في هذا التنفيذ، تكشف Salesforce عن إمكانات النظام الأساسي الخاص بها - سجلات CRM، ومرئيات Tableau، وملفات تعريف عملاء Data 360، ووكلاء Agentforce - كخوادم MCP. يعمل Slackbot كعميل MCP، حيث يتصل بهذه الخوادم ويوجه استعلامات المستخدم إلى النظام الخلفي المناسب. عندما يسأل مستخدم Slackbot عن أحد العملاء، يكتشف الروبوت أدوات MCP ذات الصلة، ويتصل بها، ويجمع النتائج في استجابة واحدة - كل ذلك ضمن محادثة Slack. وأوضح جافين البنية بعبارات بسيطة: \"تقوم Salesforce بتوسيع ما كان دائمًا منصتنا المفتوحة من خلال إستراتيجية Headless 360 الخاصة بنا - مما يجعل جميع نقاط نهاية MCP هذه متاحة. ومن ثم يعمل Slackbot كعميل MCP، ويتصل بخوادم MCP تلك ويجلب كل تلك البيانات ضمن حدود منصة أذونات موثوقة.\" طبقة الأذونات هذه أمر بالغ الأهمية. يحترم Slackbot أذونات Salesforce لكل مستخدم، مما يعني أنه لا يمكن لمنسق التسويق الوصول عن طريق الخطأ إلى بيانات خط أنابيب المبيعات غير المصرح له برؤيتها. يتم ترحيل قواعد التحقق من الصحة والأمان على مستوى الحقل وتكوينات حدود البيانات على مستوى المؤسسة تلقائيًا. بالنسبة للمسؤولين، لا يتطلب الإعداد رمز تكامل مخصص - يمكن اكتشاف خوادم Salesforce MCP وتثبيتها وإدارتها من خلال واجهة مستخدم واحدة باستخدام اتصال Slack-Salesforce الحالي. قدمت Salesforce لأول مرة مفهوم Headless 360 في مؤتمر مطوري TDX في أبريل، ووضعته كطبقة تعتمد على واجهة برمجة التطبيقات (API) تكشف بيانات النظام الأساسي وسير العمل وضوابط الإدارة بحيث يتمكن وكلاء البرامج، بدلاً من المستخدمين البشريين، من تنفيذ العمليات التجارية مباشرة. وكما أفاد موقع CIO.com في ذلك الوقت، رأى المحللون أن هذه الخطوة بمثابة جهد من قبل Salesforce \"لوضع نفسها كطبقة مركزية لإدارة العمليات التي يحركها الوكيل عبر وظائف الأعمال المختلفة\". يقول Slack إنه يراهن على الانفتاح، وليس على أي بروتوكول واحد للذكاء الاصطناعي. عندما سُئل عما إذا كان Slack يقوم برهان محفوف بالمخاطر على MCP كبروتوكول - نظرًا لأن المعايير في أدوات الذكاء الاصطناعي يمكن أن تتغير بسرعة - أعاد جافين صياغة السؤال بالكامل. \"نحن لا نراهن على MCP في حد ذاته. \"نحن نراهن على ما راهننا عليه دائمًا، وهو أن Slack عبارة عن منصة مفتوحة،\" قال جافين لـ VentureBeat. \"يصادف أن MCP هو أفضل بروتوكول وكيل إلى وكيل تتجمع حوله الصناعة في الوقت الحالي، ولكن إذا ظهر شيء أفضل غدًا، فسترى نفس النمط من Slack - سنبقى مفتوحين. تعد MCP وAPIs مجرد أدوات تسهل ذلك.\" تعد فلسفة النظام الأساسي المفتوح هذه أمرًا أساسيًا لهوية Slack وتمايزها التنافسي، كما يقول جافين. يستضيف Slack بالفعل أكثر من 2600 عملية تكامل للتطبيقات. يتضمن النظام البيئي الجديد للشركاء الأصليين لـ MCP Atlassian وBox وDocuSign وCanva وLucid وZoom وأكثر من 25 شركة إضافية، يمكن إضافة وكلائها مباشرة إلى المواقع المشتركة. قنوات الركود. يساعد MuleSoft Agent، المتصل الآن بـ Slackbot، في إدارة عمليات التكامل للفريق — التحقق من صحة النظام أو عرض تنبيهات الأخطاء الجسيمة في نفس مساحة العمل التي يتعاون فيها الفريق بالفعل. لكن MCP لا يخلو من المقايضات. يتطلب البروتوكول اكتشاف الأداة في كل اتصال، ويمكن لمكتبات الأدوات الكبيرة أن تستهلك رموزًا مميزة للسياق. أشار أحد التحليلات الفنية إلى أن الخادم الذي يعرض 300 أداة يمكن أن يكلف ما بين 5000 إلى 10000 رمز مميز لكل جلسة قبل أن يقوم النموذج بأي عمل مفيد. بالنسبة لمؤسسة مثل Salesforce التي تمتلك المئات من الأدوات المحتملة عبر إدارة علاقات العملاء (CRM) والتحليلات ومنصات الخدمة، فإن التصفية الدقيقة لخوادم MCP وتقسيمها تصبح قرارات تصميم أساسية - وهو تحدٍ ستحتاج الشركة إلى التغلب عليه مع توسع النظام البيئي. داخل علاقة Slack المعقدة مع Anthropic وسؤال Claude ربما كان الموضوع الأكثر حساسية في المقابلة يتعلق بعلاقة Slack مع Anthropic، ومختبر الذكاء الاصطناعي الذي يقف وراء Claude - وأحد مستخدمي Slack الأكثر وضوحًا. في الأسبوع الماضي فقط، أطلقت Anthropic كلود تاغ، وهو زميل مثابر في فريق الذكاء الاصطناعي يعمل داخل قنوات Slack، مما أثار الارتباك بين موظفي Salesforce الذين كانوا قلقين من التنافس المباشر مع Slackbot وAgentforce. أبلغت المعلومات عن قلق داخلي بشأن ما إذا كانت Salesforce ترحب بمنافس في غرفة المعيشة الخاصة بها. لدى Salesforce أسباب مالية للحفاظ على الشراكة: يقال إن الشركة تتوقع إنفاق 300 مليون دولار على رموز Anthropic هذا العام وتمتلك حصة في Anthropic. تناول جافين هذا التوتر بشكل مباشر، ووضعه في إطار سمة من سمات استراتيجية منصة Slack وليس تهديدًا. وقال جافين: \"نحن متحمسون ومتفائلون بشكل لا يصدق بشأن ما تقدمه Anthropic إلى Slack. فترة. نهاية البيان\". وأشار إلى أن Anthropic \"تبني ما يقرب من 65% من الكود الخاص بها باستخدام Claude in Slack\"، وأشار إلى أن ChatGPT تم إنشاؤه في الأصل في Slack، كما هو الحال مع Perplexity. وقال جافين: \"البناء في الوقت الحاضر يحدث في العلن، وكل شركة ستقوم بالبناء في العلن بأدوات مثل هذه، وأنت بحاجة إلى منصة للبناء في العلن\". حجته هي أن تداخل الميزات بين Slackbot وClaude Tag وغيرهم من وكلاء الطرف الثالث هو \"في الواقع ميزة، وليس خطأ\" - علامة على وجود نظام أساسي سليم وليس ثغرة أمنية تنافسية. وقارنه بالنظام البيئي حيث تخدم المنتجات المتعددة احتياجات مماثلة ولكنها تتفوق على الحرفية وسهولة الاستخدام وعمق التكامل. \"أحد الأسباب وراء كون Slackbot هي الميزة الأسرع اعتماداً في تاريخ Salesforce هو البساطة وسهولة الوصول إليها - المدعومة بالثقة التي تأتي من وجود وكيل يعرفني، ويعرف لهجتي، ويعرف عملي، ويعرف الأشخاص الذين أعمل معهم، ويعرف بياناتي،\" قال جافين. إن التمييز الذي يرسمه Slack هو تمييز هيكلي: يتمتع Slackbot بإمكانية الوصول إلى سياق مساحة العمل الكاملة للمستخدم وبيانات Salesforce والأذونات والتطبيقات المتصلة بشكل افتراضي. وعلى النقيض من ذلك، يرى كلود تاج فقط القنوات التي تمت إضافتها إليها بشكل صريح. بالنسبة لقيادة سلاك، فإن عدم التماثل هو الخندق. كيف يخطط Slack للتنافس مع Microsoft Teams وGoogle في عصر الذكاء الاصطناعي عند سؤاله مباشرةً عن الوضع التنافسي في مواجهة Microsoft Teams وGoogle Workspace، أشار جافين إلى بنية القناة المفتوحة لـ Slack باعتبارها أداة تمييز لا يمكن لأي منافس تكرارها. قال جافين: \"إذا قضيت أي وقت في Teams، فهي أداة رائعة للدردشة والرسائل المباشرة والفيديو، ولكنها لا تحتوي على نظام أساسي للاتصال المفتوح عبر المؤسسات\". \"إن بنيتها المستندة إلى SharePoint مقيدة بشكل أساسي.\" واستشهد بـ Shopify كمثال، حيث يتم نشر وكيل الذكاء الاصطناعي الداخلي المسمى River عبر ما يقرب من 4400 قناة تخدم 6000 موظف. كما أشار أيضًا إلى تقرير Fortune الذي يشير إلى أن رئيس قسم الذكاء الاصطناعي في Microsoft كلف فريقه بالعمل على Slack بدلاً من Teams - وهي تفاصيل مدببة استمتع بها جافين بوضوح. وقال \"هناك سبب لذلك\". \"نحن الآن في عصر حيث الانفتاح مهم، وجميع الأدوات الأخرى التي ذكرتها، لا تزال مغلقة نسبيا.\" إن الضغط التنافسي حقيقي ومكثف. قامت Microsoft بدمج برنامج Copilot عبر مجموعتها الإنتاجية بأكملها، مما يمنحها ميزة التوزيع التي تصل إلى كل شركة Fortune 500 تقريبًا. كانت Google عدوانية بالمثل مع Gemini عبر Workspace. ويزدحم السوق بالوافدين الجدد: قامت شركة ناشئة تسمى Viktor، والتي تدمج وكلاء الذكاء الاصطناعي داخل مساحات عمل Slack وTeams، بجمع 75 مليون دولار أمريكي من السلسلة A بقيادة Accel - بمشاركة مؤسسي Slack ستيوارت باترفيلد وكال هندرسون كمستثمرين ملاك. أخبر Box، أحد عملاء المؤسسات الذين تم تسليط الضوء عليهم في الإعلان، Slack أنه يهدف إلى جعل البائعين يكملون 75 إلى 80 بالمائة من عملهم داخل Slack. وكرر جافين هذا الرقم كدليل على أن المنصة أصبحت مساحة العمل الافتراضية للمؤسسات بأكملها، وليس فقط الفرق الهندسية - وهو التحول الذي يعتقد أنه يتسارع حيث يجعل الذكاء الاصطناعي كل موظف بانيًا. أكبر مسرحية لـ Slack على المدى الطويل هي جعل إدارة علاقات العملاء الخاصة بـ Salesforce مفيدة للجميع في الشركة، وقد أنقذ Gavin ما يعتبره العنصر الأكثر تقديرًا في الإعلان للأخير: إضفاء الطابع الديمقراطي على إدارة علاقات العملاء الخاصة بـ Salesforce. على مدار 25 عامًا، تم استخدام نظام إدارة علاقات العملاء (CRM) الخاص بـ Salesforce بشكل أساسي من قبل متخصصي المبيعات والخدمات والتسويق - وهي نسبة متواضعة نسبيًا من إجمالي القوى العاملة في الشركة. إن وعد Slackbot كواجهة محادثة هو أن أي موظف، بغض النظر عن دوره أو طلاقته التقنية، يمكنه الآن الاستعلام عن بيانات إدارة علاقات العملاء (CRM) والتصرف بناءً عليها ببساطة عن طريق طرح سؤال باللغة الطبيعية. وقال جافين: \"ما لا يدركه معظم الناس هو أن إضفاء الطابع الديمقراطي على إدارة علاقات العملاء سينقل استخدامه من نسبة متواضعة من الموظفين إلى المؤسسة بأكملها\". \"عندما تتمكن من جعل أنظمة مثل Data 360 أو Agentforce for Sales متاحة لقاعدة الموظفين بأكملها - وليس مجرد نسبة مئوية - فكر في مدى زيادة قيمة هذه الاستثمارات.\" واستشهد بشركة Engine، وهي شركة تتعامل مع 800000 استفسار من العملاء سنويًا، كمثال. في السابق، كانت الإجابة على استفسار العميل تتطلب موظفًا محددًا لديه إمكانية الوصول إلى أداة محددة للبحث في سجل العميل. الآن، يمكن لأي شخص في الشركة أن يسأل Slackbot ويرى الملف الشخصي الكامل للعميل، ويراجع سجل الحالة، ويكتب التحديثات - كل ذلك دون الحاجة إلى إعادة التدريب أو تعلم واجهة جديدة. وصف الرئيس التنفيذي لشركة Engine، إيليا والين، في بيان أرسل إلى VentureBeat، التكامل بأنه يمكّن الموظفين من \"اتخاذ قرارات تعتمد على البيانات واتخاذ الإجراءات دون مغادرة المحادثة\". المنطق المالي واضح ومباشر: إذا تمكنت Salesforce من جعل منصتها مفيدة لـ 100 بالمائة من القوى العاملة لدى العميل بدلاً من 20 أو 30 بالمائة الذين يحملون تراخيص حاليًا، فإن قيمة استثمار Salesforce الحالي تتضاعف دون الحاجة إلى زيادة متناسبة في الإنفاق. تصبح هذه الفكرة فعالة بشكل خاص في الوقت الذي يقوم فيه مديرو تكنولوجيا المعلومات بفحص كل بند من ميزانيات الذكاء الاصطناعي الخاصة بهم. ما يجب على المحللين ومديري تكنولوجيا المعلومات مشاهدته بينما يطرح Slack أكبر تحديث للذكاء الاصطناعي حتى الآن؟ يعد هذا الإعلان تطورًا معماريًا مهمًا لـ Slack، ولكن لا تزال هناك العديد من الأسئلة دون إجابة. أولا، التسعير. لم تتناول الشركة بشكل مباشر ما إذا كان تكامل Salesforce المدعوم بـ MCP من Slackbot سيتطلب وحدات SKU إضافية أو مستويات ترخيص. كما حذر سكوت بيكلي، محلل مجموعة أبحاث Info-Tech، عندما تم الإعلان عن Headless 360 لأول مرة في أبريل، \"يبدو أن MO في Salesforce سيعلن عن إمكانات جديدة تتطلب وحدات SKU. يجب على مديري تكنولوجيا المعلومات أن يسألوا عن الأسعار الآن.\" ثانيا، الأداء. يؤدي توجيه استعلامات المستخدم من خلال خوادم MCP إلى أنظمة Salesforce الخلفية إلى تقديم زمن استجابة يمكن أن يؤثر على إحساس المحادثة الذي يفخر به Slack. لم يكشف البيان الصحفي ولا المقابلة عن اتفاقيات مستوى الخدمة الخاصة باستدعاءات أدوات MCP - وهي فجوة سيرغب المشترون من المؤسسات في معالجتها. ثالثًا، الديناميكيات التنافسية للعبة المنصة. تدعو فلسفة النظام الأساسي المفتوح لـ Slack شركاء أقوياء مثل Anthropic وOpenAI إلى نظامها البيئي، لكن هؤلاء الشركاء أنفسهم يبنون أسطحهم الخاصة للعمل المؤسسي. يقال إن Anthropic تخطط لتوسيع Claude Tag ليشمل Microsoft Teams والبريد الإلكتروني وأدوات إدارة المشاريع الأخرى، مما يعني أن شريك Salesforce يدفع مئات الملايين سنويًا لبناء البنية التحتية لتكون مفيدة بدون Slack على الإطلاق. ورابعًا، السؤال الوجودي الأوسع الذي يواجه جميع برامج المؤسسات: ما إذا كان وكلاء الذكاء الاصطناعي سيقللون في نهاية المطاف من الحاجة إلى أنظمة إدارة علاقات العملاء بالكامل. إن عرض جافين - بأن Slack يجعل إدارة علاقات العملاء أكثر قيمة من خلال جعله أكثر سهولة - هو عكس الحالة الهبوطية. وسوف يقرر السوق في نهاية المطاف أي الأطروحة ستسود. سجلت Salesforce إيرادات قياسية في الربع الأول بلغت 11.1 مليار دولار أمريكي في الربع المالي الأول من عام 2027، مع تجاوز Agentforce ARR مليار دولار أمريكي للمرة الأولى، كما وصل إجمالي الذكاء الاصطناعي وARR للبيانات إلى 3.4 مليار دولار أمريكي. تشير هذه الأرقام إلى أن استراتيجية الذكاء الاصطناعي بدأت في تحقيق إيرادات حقيقية، حتى في الوقت الذي تبحر فيه الشركة في سوق لا يزال غير مؤكد بشأن المسار طويل المدى لبرامج المؤسسات القديمة. وقال جافين: \"لقد انتقل Slack بسرعة من أداة التعاون المحبوبة هذه منذ السنوات العشر الماضية إلى الآن منصة الذكاء الاصطناعي متعددة اللاعبين التي نسميها نظام تشغيل العمل\". قبل خمس سنوات، دفعت شركة Salesforce مبلغ 27.7 مليار دولار مقابل ما كان في جوهره تطبيقًا جيدًا جدًا للدردشة الجماعية. يوم الأربعاء، بدأت تحاول إثبات أن الدردشة الجماعية لم تكن المنتج أبدًا، بل كانت الأساس. في عصر وكلاء الذكاء الاصطناعي، قد لا تكون العقارات الأكثر قيمة في برامج المؤسسة هي قاعدة البيانات التي توجد بها البيانات. قد تكون المحادثة حيث يتم اتخاذ القرارات صنع.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/the-real-cost-security-and-culture-problems-behind-enterprise-ai-agents",
            "title_en": "The real cost, security, and culture problems behind enterprise AI agents",
            "summary_en": "Presented by Red Hat At VentureBeat's recent AI Impact event, where the discussion centered on what separates enterprises that scale agentic AI from those that stall in pilot mode, Brian Gracely, senior director of portfolio strategy at Red Hat, detailed what companies actually run into once agents reach production. He dove into cost discipline, the security blind spots unique to autonomous systems, and the organizational friction that determines whether agent adoption spreads beyond early champions. Enterprises are overestimating how far behind they are on AI agents Many enterprise leaders, especially those following industry keynotes and AI announcements, worry that they’re already falling dangerously behind competitors deploying agents at scale. But according to Gracely, much of th",
            "body_en": "Presented by Red Hat At VentureBeat's recent AI Impact event, where the discussion centered on what separates enterprises that scale agentic AI from those that stall in pilot mode, Brian Gracely, senior director of portfolio strategy at Red Hat, detailed what companies actually run into once agents reach production. He dove into cost discipline, the security blind spots unique to autonomous systems, and the organizational friction that determines whether agent adoption spreads beyond early champions. Enterprises are overestimating how far behind they are on AI agents Many enterprise leaders, especially those following industry keynotes and AI announcements, worry that they’re already falling dangerously behind competitors deploying agents at scale. But according to Gracely, much of that anxiety reflects a misconception about how quickly organizations learn once they begin building. Teams often move up the learning curve far faster than they expect. That rapid progress creates a different challenge, however. As agent usage expands, AI costs rise just as quickly, turning cost management from an engineering concern into a recurring boardroom discussion. Agentic AI usage is orders of magnitude higher than during the chatbot era, making AI costs a growing concern for enterprises. At the same time, organizations are becoming increasingly aware of their dependence on a small number of model providers. According to Gracely, that combination is driving many enterprises to explore alternatives that give them greater control over costs and infrastructure. \"The two or three top providers are already telling the market that they're losing money, and they're trying to go public to make up those gaps,\" he explained. \"At some point, the dependency on that means you're either going to buy at a very high-cost level, or you're going to figure out alternatives to control what you're doing.\" Right-sizing AI models is the fastest lever for cutting agent costs The biggest cost issue is that enterprises overspend by defaulting to the most capable model available regardless of task complexity. \"If I'm simply trying to resolve an insurance claim, I don't need to know about the history of Western civilization in my model, I don't need to know World Cup soccer scores,\" Gracely said. Semantic routing is the mechanism many companies use to make that judgment automatically, classifying requests and sending each to a model sized for the task without requiring users to choose, while infrastructure techniques like caching repetitive queries cut how often a request needs to reach GPU compute at all. Together, he said, these tools remove the assumption that efficiency and innovation pull in opposite directions. \"There's a lot you can do at a GPU infrastructure level, and quite a bit you can do in terms of flexibility of models,\" he explained. \"Those give excellent choices in terms of the levers you're trying to pull, whether you need efficiency or you need innovation. That shouldn't be a binary choice.\" The financial discipline needed for token spend is similar to the FinOps practices that took years to mature in order to take control of cloud compute spending. Those underlying frameworks will transfer even as the vocabulary changes, Gracely said, especially as organizations push for internal education on model selection so teams stop defaulting to the most prominent option for tasks that don't need it. \"The same way we first had to teach the financial people what an EC2 instance is and what an S3 bucket is, you're going to have to start explaining tokens to them,\" he said. \"We don't always need a Rolls-Royce. We don't always need caviar, because we're trying to do basic types of things.\" Patch speed is now critical as AI tools find vulnerabilities faster AI-powered vulnerability discovery is forcing enterprises to rethink how quickly they can identify, validate and deploy patches. Long-established patch management cycles may no longer be fast enough in an environment where AI can uncover — and attackers can exploit — new vulnerabilities much more quickly. \"Most companies are probably going to have a window of somewhere between seven and 14 days to stay ahead,\" he said. \"There are groups, Red Hat included, that are going to build patches for these, but the embargo window is going to be short.\" AI is also changing what defenders need to look for. Rather than simply uncovering isolated critical flaws, AI security tools can identify combinations of seemingly minor vulnerabilities that become dangerous only when chained together. As both software complexity and vulnerability discovery accelerate, Gracely argued that the ability to rapidly manage and update software is becoming a strategic capability rather than simply an operational one. Subject matter experts and compliance teams decide whether agents scale In the end, organizational adoption comes down to the need for deep, sustained involvement from the subject matter experts whose knowledge the agent is meant to encode, which makes earning their buy-in a prerequisite rather than an afterthought. \"You have to think about the incentives, what you do for people who participate in this work so they don't feel threatened that it's going to take away their job, and how you incentivize people in the long run to cooperate with that innovation,\" he said. Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/4uZ9yfcgAUzj96p0I8gmUo\/b6171e100300bc13cedb1325cc8040f2\/IMG_4290.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/the-real-cost-security-and-culture-problems-behind-enterprise-ai-agents",
            "date": "2026-07-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "المشاكل الحقيقية المتعلقة بالتكلفة والأمن والثقافة التي تقف وراء وكلاء الذكاء الاصطناعي في المؤسسات",
            "summary_ar": "تم تقديمه بواسطة Red Hat في حدث AI Impact الأخير الذي نظمته VentureBeat، حيث تركزت المناقشة على ما يفصل بين المؤسسات التي تعمل على توسيع نطاق الذكاء الاصطناعي الوكيل عن تلك التي تتوقف في الوضع التجريبي، قام برايان جريسلي، المدير الأول لاستراتيجية المحفظة في Red Hat، بتفصيل ما تواجهه الشركات فعليًا بمجرد وصول الوكلاء إلى الإنتاج. لقد تعمق في ضبط التكلفة، والنقاط الأمنية العمياء الفريدة للأنظمة الذاتية، والاحتكاك التنظيمي الذي يحدد ما إذا كان اعتماد الوكيل سينتشر إلى ما هو أبعد من الأبطال الأوائل. تبالغ الشركات في تقدير مدى تخلفها عن وكلاء الذكاء الاصطناعي. يشعر العديد من قادة المؤسسات، وخاصة أولئك الذين يتابعون الكلمات الأساسية في الصناعة وإعلانات الذكاء الاصطناعي، بالقلق من أنهم يتخلفون بالفعل بشكل خطير عن المنافسين الذين ينشرون وكلاء على نطاق واسع. ولكن وفقا لجريسلي، فإن الكثير من ذ",
            "body_ar": "تم تقديمه بواسطة Red Hat في حدث AI Impact الأخير الذي نظمته VentureBeat، حيث تركزت المناقشة على ما يفصل بين المؤسسات التي تعمل على توسيع نطاق الذكاء الاصطناعي الوكيل عن تلك التي تتوقف في الوضع التجريبي، قام برايان جريسلي، المدير الأول لاستراتيجية المحفظة في Red Hat، بتفصيل ما تواجهه الشركات فعليًا بمجرد وصول الوكلاء إلى الإنتاج. لقد تعمق في ضبط التكلفة، والنقاط الأمنية العمياء الفريدة للأنظمة الذاتية، والاحتكاك التنظيمي الذي يحدد ما إذا كان اعتماد الوكيل سينتشر إلى ما هو أبعد من الأبطال الأوائل. تبالغ الشركات في تقدير مدى تخلفها عن وكلاء الذكاء الاصطناعي. يشعر العديد من قادة المؤسسات، وخاصة أولئك الذين يتابعون الكلمات الأساسية في الصناعة وإعلانات الذكاء الاصطناعي، بالقلق من أنهم يتخلفون بالفعل بشكل خطير عن المنافسين الذين ينشرون وكلاء على نطاق واسع. لكن وفقاً لجريسلي، فإن الكثير من هذا القلق يعكس فكرة خاطئة حول مدى سرعة تعلم المؤسسات بمجرد أن تبدأ في البناء. غالبًا ما تتحرك الفرق في منحنى التعلم بشكل أسرع بكثير مما تتوقع. لكن هذا التقدم السريع يخلق تحديا مختلفا. ومع توسع استخدام الوكلاء، ترتفع تكاليف الذكاء الاصطناعي بنفس السرعة، مما يحول إدارة التكلفة من اهتمام هندسي إلى مناقشة متكررة في مجلس الإدارة. يعد استخدام الذكاء الاصطناعي الوكيل أعلى بكثير مما كان عليه خلال عصر روبوتات الدردشة، مما يجعل تكاليف الذكاء الاصطناعي مصدر قلق متزايد للمؤسسات. وفي الوقت نفسه، أصبحت المؤسسات تدرك بشكل متزايد اعتمادها على عدد صغير من مقدمي النماذج. ووفقا لجريسلي، فإن هذا المزيج يدفع العديد من الشركات إلى استكشاف البدائل التي تمنحها سيطرة أكبر على التكاليف والبنية التحتية. وأوضح: \"إن اثنين أو ثلاثة من كبار مقدمي الخدمات يخبرون السوق بالفعل أنهم يخسرون المال، ويحاولون طرح أسهمهم للاكتتاب العام لتعويض هذه الفجوات\". \"في مرحلة ما، الاعتماد على ذلك يعني أنك إما ستشتري بسعر مرتفع للغاية، أو أنك ستكتشف بدائل للتحكم في ما تفعله.\" تعد نماذج الذكاء الاصطناعي ذات الحجم المناسب هي أسرع وسيلة لخفض تكاليف الوكلاء. أكبر مشكلة تتعلق بالتكلفة هي أن المؤسسات تبالغ في الإنفاق من خلال التخلف عن استخدام النموذج الأكثر قدرة المتاح بغض النظر عن تعقيد المهمة. وقال جريسلي: \"إذا كنت أحاول ببساطة حل مطالبة تأمينية، فلن أحتاج إلى معرفة تاريخ الحضارة الغربية في نموذجي، ولست بحاجة إلى معرفة نتائج مباريات كأس العالم لكرة القدم\". التوجيه الدلالي هو الآلية التي تستخدمها العديد من الشركات لإصدار هذا الحكم تلقائيًا، وتصنيف الطلبات وإرسال كل منها إلى نموذج بحجم المهمة دون مطالبة المستخدمين بالاختيار، في حين أن تقنيات البنية التحتية مثل التخزين المؤقت للاستعلامات المتكررة تقلل عدد المرات التي يحتاج فيها الطلب للوصول إلى حساب وحدة معالجة الرسومات على الإطلاق. وقال إن هذه الأدوات معًا تزيل الافتراض القائل بأن الكفاءة والابتكار يسيران في اتجاهين متعاكسين. وأوضح قائلاً: \"هناك الكثير الذي يمكنك القيام به على مستوى البنية التحتية لوحدة معالجة الرسومات، ويمكنك القيام بالكثير فيما يتعلق بمرونة النماذج\". \"تعطي هذه الخيارات خيارات ممتازة فيما يتعلق بالأدوات التي تحاول سحبها، سواء كنت بحاجة إلى الكفاءة أو كنت بحاجة إلى الابتكار. لا ينبغي أن يكون هذا خيارًا ثنائيًا.\" يشبه الانضباط المالي اللازم لإنفاق الرمز المميز ممارسات FinOps التي استغرقت سنوات حتى تنضج من أجل التحكم في إنفاق الحوسبة السحابية. وقال غريسلي إن هذه الأطر الأساسية ستنتقل حتى مع تغير المفردات، خاصة وأن المؤسسات تضغط من أجل التعليم الداخلي حول اختيار النموذج حتى تتوقف الفرق عن استخدام الخيار الأبرز للمهام التي لا تحتاج إليه. وقال: \"بنفس الطريقة التي كان علينا بها في البداية تعليم الأشخاص الماليين ما هو مثيل EC2 وما هي دلو S3، سيتعين عليك البدء في شرح الرموز المميزة لهم\". \"لا نحتاج دائمًا إلى سيارة رولز رويس. لا نحتاج دائمًا إلى الكافيار، لأننا نحاول القيام بأنواع أساسية من الأشياء.\" أصبحت سرعة التصحيح أمرًا بالغ الأهمية الآن حيث تجد أدوات الذكاء الاصطناعي الثغرات الأمنية بشكل أسرع، مما يجبر اكتشاف الثغرات المدعومة بالذكاء الاصطناعي المؤسسات على إعادة التفكير في مدى سرعة تحديد التصحيحات والتحقق من صحتها ونشرها. قد لا تكون دورات إدارة التصحيحات الراسخة سريعة بما فيه الكفاية في بيئة يمكن للذكاء الاصطناعي أن يكشف فيها - ويمكن للمهاجمين استغلال - ثغرات أمنية جديدة بسرعة أكبر بكثير. وقال: \"من المحتمل أن يكون لدى معظم الشركات نافذة تتراوح ما بين سبعة إلى 14 يومًا للبقاء في المقدمة\". \"هناك مجموعات، بما في ذلك ريد هات، ستقوم ببناء تصحيحات لهذه، ولكن فترة الحظر ستكون قصيرة.\" يعمل الذكاء الاصطناعي أيضًا على تغيير ما يحتاج المدافعون إلى البحث عنه. بدلاً من مجرد الكشف عن العيوب الحرجة المعزولة، يمكن لأدوات أمان الذكاء الاصطناعي تحديد مجموعات من نقاط الضعف التي تبدو بسيطة والتي تصبح خطيرة فقط عندما يتم ربطها ببعضها البعض. مع تسارع تعقيد البرامج واكتشاف الثغرات الأمنية، جادل جريسلي بأن القدرة على إدارة البرامج وتحديثها بسرعة أصبحت قدرة استراتيجية وليست مجرد قدرة تشغيلية. الخبراء المختصون وفرق الامتثال يقررون ما إذا كان الوكلاء يتوسعون أم لا. في النهاية، يعود التبني التنظيمي إلى الحاجة إلى مشاركة عميقة ومستدامة من الخبراء المتخصصين الذين من المفترض أن يقوم الوكيل بتشفير معرفتهم، مما يجعل كسب تأييدهم شرطًا أساسيًا وليس فكرة لاحقة. وقال: \"عليك أن تفكر في الحوافز، وما تفعله للأشخاص الذين يشاركون في هذا العمل حتى لا يشعرون بالتهديد من أنه سيأخذ وظائفهم، وكيف تحفز الناس على المدى الطويل للتعاون مع هذا الابتكار\". المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/the-ai-architecture-that-let-liberty-mutual-shrug-off-the-fable-5-outage",
            "title_en": "The AI architecture that let Liberty Mutual shrug off the Fable 5 outage",
            "summary_en": "When Anthropic's Fable 5 was pulled from international use for nearly three weeks , some over-reliant businesses were left scrambling. But Liberty Mutual easily pivoted to other platforms. That’s because 18 months earlier, they built their \"AI backbone\" exactly for this kind of scenario. In this rapidly moving AI landscape, the 114-year-old property and casualty insurance company recognized independence as an operating advantage. “Things are changing so fast, you need a backbone that's flexible,” Brian Craig, Liberty Mutual’s senior director of architecture, said at a recent VB Impact event. “You can't lock in right now on one vendor or even one framework.” Enterprises need flexibility to hook into different models and vendors, depending not so much on the \"flavor of the day",
            "body_en": "When Anthropic's Fable 5 was pulled from international use for nearly three weeks , some over-reliant businesses were left scrambling. But Liberty Mutual easily pivoted to other platforms. That’s because 18 months earlier, they built their \"AI backbone\" exactly for this kind of scenario. In this rapidly moving AI landscape, the 114-year-old property and casualty insurance company recognized independence as an operating advantage. “Things are changing so fast, you need a backbone that's flexible,” Brian Craig, Liberty Mutual’s senior director of architecture, said at a recent VB Impact event. “You can't lock in right now on one vendor or even one framework.” Enterprises need flexibility to hook into different models and vendors, depending not so much on the \"flavor of the day,\" but “what can you feel confident about for the next six months,” he said. Runtime versus control plane The company’s \"backbone\" (or control plane) is its own, while everything underneath remains swappable. The architecture consists of roughly 50 components across security, identity, orchestration, tool restriction, and the policies that govern how agents behave. Each is designed to be independently and immediately replaceable to support interoperability. The agent runtime below this backbone is AWS's Amazon Bedrock AgentCore; this is not the strategic center, but explicitly “just for running the agents,” Craig said. He chose this offering because it (at least currently) supports multiple frameworks and Liberty Mutual’s model-agnostic philosophy. “We still have flexibility based on what we write,” Craig said. “But if something comes along and is better, we will move to it quite quickly.” The software factory This architecture delivers, as proven by Liberty’s “software factory,” an agentic pipeline that automates much of the software delivery process. They started with a business process with clear pain: Onboarding electronic content management documents for insurance products. This repetitive, manual task typically required engineers to code every change. Instead, the team built a factory of coordinated agents working “in tandem and in sequence”: An Epic agent consumes high-level requirements. A Story agent breaks work dictated by the Epic agent into narrow slices within specific application areas. This agent is “constraining the context, because the smaller the context, the better the output.” A planning agent defines the technical execution plan. A coding\/testing agent handles coding, testing, and basic review. A triage (critic) agent sits across all other agents, reviewing quality and feeding back improvements. Finally, a librarian agent helps others find the “context of the knowledge for their job.” Craig and his team learned quickly that a single “do everything” agent was a mistake. “You were asking it to do too many things, which meant you had to give it too much information,” Craig said. Splitting into six agents let them dramatically shrink context windows and tighten scope. Once the factory hit production, the impact was immediate. In the initial deployment, they did “about three months of work” in roughly a week. They realized that “the current software engineering process has a massive amount of handoffs, which means there's a massive amount of wait time,” Craig said. Human-paced automation The factory is not a fully autonomous pipeline; it runs at the speed of human overseers. Liberty’s first model was a “day shift\/night shift” rhythm: Engineers set goals and rules and reviewed the previous night’s outputs during the day, then let the factory run overnight. But in practice, there was never enough work to keep the agents busy all night, and the cadence felt unnatural. They shifted to a more iterative loop. Users decide when to trigger the factory, how far it runs before pausing, and at which points they want to review outputs. “Then the factory kicked in, and it may only run for less than an hour, and then you would look at it again,” Craig said. “It was more controlled at the speed that our users felt comfortable with.” The orchestration layer lets teams choose whether to review after the Epic stage, after planning, or once coding and testing complete. “That is up to the users of the factory, but it has completely removed a lot of the wait time that we currently have within our processes,” Craig said. By contrast, early on, “every time the thing ran, they wanted to look at the output,” and that became the feedback loop that trained both humans and agents. Some of this is, as Craig put it, “just automating agile at speed” and giving iterative feedback; some from humans, some from the triage agent. “But we're seeing that start to bake in, and it starts to become the rules.” When the same feedback is coming from two different directions (agent and human), it makes sense to go into Liberty’s context repository. The agents will then rely on that context the next time they need to make that decision, \"and the next time again, and you start to speed up.\" “It's like a flywheel once you start building these and you start to get them flowing,” Craig said. “You realize it listens to what you say.” Contracts that match the pace of change Liberty paired that architectural posture with a contract posture, deliberately shifting from five-year enterprise deals to one-year agreements. The logic is simple as Craig sees it: The AI market moves too fast to lock into one vendor or framework for half a decade or more. Shorter terms let them evaluate — and if necessary, swap — models and platforms at the speed the market actually changes. Cost is part of the story. When a premium frontier model like Fable arrives, the sticker shock is real. “You see the price and go, ‘Goodness, it better be really good,’ Craig said. (It was; they got to use it enough to \"fall in love with it.”) The backbone’s interoperability lets his team compare models at different price points and route workloads based on price–performance rather than vendor inertia. The same attitude governs how they plan to use agents from major SaaS platforms. Liberty is a customer of Salesforce and Splunk, who will both “bring their agents to the table.” His team has no interest in replicating engineering work, but they do insist on observability. “We just want to harness it as part of our system,” rather than control it, Craig said. “But we want the observability to understand what their agent is doing with our data, with our users.” Closing the “control gap” Importantly, Liberty built observability into its backbone. As Craig explained, it’s not just logging what an agent does, but what it accesses, which identity it uses, and which tools it’s allowed to invoke. Identity and access run in part on Microsoft Entra ID, and agents are given only the tools and permissions explicitly assigned to them. Whenever an agent realizes, ‘I don't have the information,’ it asks for it, and it only gets what it needs, rather than giving authority to “use every tool in the box.” “Because too much information given to an agent is worse than no information,” Craig said. “You just overload it, and it gets confused.” For detection, Liberty runs evaluations with MLflow against “golden datasets.” Whenever prompts or models change, they regression-test and immediately see whether results improved or degraded. One of his team’s new mantras is “you need to walk in the footsteps of a new start.\" If a new start can't find a guiding document, how will an AI agent? One of the key things enterprises need to do, no matter the business process, is “write stuff down, which is not earth-shattering,” Craig acknowledged. Agents obey written standards more reliably than people, and a context repository is a central artifact of Liberty Mutual’s system. Agents have made human judgment more, not less, central, he emphasized. Nothing ships without a human sign-off, consistent with Liberty’s risk posture as an insurer. “The confidence isn't there yet for us to just let it run wild, and I don't think it ever will be for the likes of Liberty,” said Craig. “We have to be rock solid before we let [anything] into production.” Moving fast for product fit and survival might make sense for other companies, but ultimately, “some people will get black eyes, but that's the joy of innovation these days,” he said.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/2Rn00oBjZWR6pu5uCmlkNU\/9d8594cc1610c504b4eb4af5f3328192\/u7277289442_An_AI_robot_is_sitting_at_a_dashboard._There_are__98eea1d5-8a60-4ac7-a4ab-9582454ad8c8_1.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/the-ai-architecture-that-let-liberty-mutual-shrug-off-the-fable-5-outage",
            "date": "2026-07-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "بنية الذكاء الاصطناعي التي سمحت لـ Liberty Mutual بتجاهل انقطاع Fable 5",
            "summary_ar": "عندما تم سحب Anthropic's Fable 5 من الاستخدام الدولي لما يقرب من ثلاثة أسابيع، تُركت بعض الشركات التي تعتمد بشكل مفرط في حالة من الفوضى. لكن Liberty Mutual تحولت بسهولة إلى منصات أخرى. وذلك لأنه قبل 18 شهرًا، قاموا ببناء \"العمود الفقري للذكاء الاصطناعي\" الخاص بهم خصيصًا لهذا النوع من السيناريوهات. في هذا المشهد السريع للذكاء الاصطناعي، اعترفت شركة التأمين على الممتلكات والحوادث التي يبلغ عمرها 114 عامًا بالاستقلالية كميزة تشغيلية. قال بريان كريج، كبير مديري الهندسة المعمارية في Liberty Mutual، في حدث VB Impact الأخير: \"الأمور تتغير بسرعة كبيرة، فأنت بحاجة إلى عمود فقري يتسم بالمرونة\". \"لا يمكنك الآن الاعتماد على بائع واحد أو حتى إطار عمل واحد.\" تحتاج الشركات إلى المرونة للتواصل مع نماذج وموردين مختلفين، ولا تعتمد كثيرًا على \"نكهة المنتج\". يوم",
            "body_ar": "عندما تم سحب Anthropic's Fable 5 من الاستخدام الدولي لما يقرب من ثلاثة أسابيع، تُركت بعض الشركات التي تعتمد بشكل مفرط في حالة من الفوضى. لكن Liberty Mutual تحولت بسهولة إلى منصات أخرى. وذلك لأنه قبل 18 شهرًا، قاموا ببناء \"العمود الفقري للذكاء الاصطناعي\" الخاص بهم خصيصًا لهذا النوع من السيناريوهات. في هذا المشهد السريع للذكاء الاصطناعي، اعترفت شركة التأمين على الممتلكات والحوادث التي يبلغ عمرها 114 عامًا بالاستقلالية كميزة تشغيلية. قال بريان كريج، كبير مديري الهندسة المعمارية في Liberty Mutual، في حدث VB Impact الأخير: \"الأمور تتغير بسرعة كبيرة، فأنت بحاجة إلى عمود فقري يتسم بالمرونة\". \"لا يمكنك الآن الاعتماد على بائع واحد أو حتى إطار عمل واحد.\" وقال إن الشركات تحتاج إلى المرونة للتواصل مع نماذج وموردين مختلفين، ولا تعتمد كثيراً على \"نكهة اليوم\"، ولكن \"ما الذي يمكنك أن تشعر بالثقة بشأنه خلال الأشهر الستة المقبلة\". وقت التشغيل مقابل مستوى التحكم إن \"العمود الفقري\" (أو مستوى التحكم) للشركة هو خاص بها، بينما يظل كل شيء تحته قابلاً للتبديل. تتكون البنية من حوالي 50 مكونًا عبر الأمان والهوية والتنسيق وتقييد الأدوات والسياسات التي تحكم كيفية تصرف الوكلاء. تم تصميم كل منها لتكون مستقلة وقابلة للاستبدال على الفور لدعم إمكانية التشغيل البيني. وقت تشغيل الوكيل الموجود أسفل هذا العمود الفقري هو Amazon Bedrock AgentCore الخاص بـ AWS؛ وقال كريج إن هذا ليس المركز الاستراتيجي، بل \"فقط لإدارة العملاء\". لقد اختار هذا العرض لأنه (على الأقل حاليًا) يدعم أطر عمل متعددة وفلسفة Liberty Mutual المحايدة للنموذج. قال كريج: \"لا تزال لدينا مرونة بناءً على ما نكتبه\". \"ولكن إذا حدث شيء أفضل، فسننتقل إليه بسرعة كبيرة.\" مصنع البرمجيات توفر هذه البنية، كما أثبت \"مصنع البرمجيات\" في Liberty، خط أنابيب وكيلًا يعمل على أتمتة الكثير من عملية تسليم البرامج. لقد بدأوا بعملية تجارية ذات ألم واضح: إعداد مستندات إدارة المحتوى الإلكتروني لمنتجات التأمين. تتطلب هذه المهمة اليدوية المتكررة عادةً من المهندسين ترميز كل تغيير. وبدلاً من ذلك، قام الفريق ببناء مصنع من العملاء المنسقين الذين يعملون \"بالترادف وبالتسلسل\": يستهلك العميل الملحمي متطلبات عالية المستوى. يقوم وكيل القصة بتقسيم العمل الذي يمليه وكيل الملحمة إلى شرائح ضيقة ضمن مجالات تطبيق محددة. هذا العامل \"يقيد السياق، لأنه كلما كان السياق أصغر، كلما كان الناتج أفضل.\" يحدد وكيل التخطيط خطة التنفيذ الفني. يتولى وكيل الترميز\/الاختبار عملية الترميز والاختبار والمراجعة الأساسية. ويتواجد وكيل الفرز (الناقد) بين جميع الوكلاء الآخرين، حيث يقوم بمراجعة الجودة وتقديم ملاحظات حول التحسينات. وأخيرًا، يساعد أمين المكتبة الآخرين في العثور على \"سياق المعرفة لوظيفتهم\". وسرعان ما أدرك كريج وفريقه أن استخدام وكيل واحد \"للقيام بكل شيء\" كان خطأً. قال كريج: \"كنت تطلب منه القيام بأشياء كثيرة جدًا، مما يعني أنه كان عليك إعطاؤه الكثير من المعلومات\". يتيح لهم التقسيم إلى ستة عملاء تقليص نوافذ السياق بشكل كبير وتشديد النطاق. بمجرد وصول المصنع إلى مرحلة الإنتاج، كان التأثير فوريًا. في عملية النشر الأولية، قاموا \"بحوالي ثلاثة أشهر من العمل\" في أسبوع تقريبًا. لقد أدركوا أن \"عملية هندسة البرمجيات الحالية تتضمن قدرًا هائلاً من عمليات التسليم، مما يعني أن هناك قدرًا هائلاً من وقت الانتظار\"، كما قال كريج. الأتمتة التي تعتمد على الإنسان: المصنع ليس خط أنابيب مستقل تمامًا؛ إنه يعمل بسرعة المشرفين البشريين. كان نموذج ليبرتي الأول عبارة عن إيقاع \"نوبة نهارية\/نوبة ليلية\": يحدد المهندسون الأهداف والقواعد ويراجعون مخرجات الليلة السابقة خلال النهار، ثم يتركون المصنع يعمل طوال الليل. لكن من الناحية العملية، لم يكن هناك ما يكفي من العمل لإبقاء العملاء مشغولين طوال الليل، وبدا الإيقاع غير طبيعي. لقد تحولوا إلى حلقة أكثر تكرارية. يقرر المستخدمون متى يتم تشغيل المصنع، ومدى تشغيله قبل التوقف مؤقتًا، وعند أي نقاط يريدون مراجعة المخرجات. قال كريج: \"بعد ذلك بدأ المصنع، وقد يعمل لمدة أقل من ساعة فقط، ثم تنظر إليه مرة أخرى\". \"لقد كان التحكم أكثر بالسرعة التي شعر المستخدمون بالراحة معها.\" تتيح طبقة التنسيق للفرق اختيار ما إذا كانت تريد المراجعة بعد مرحلة Epic، أو بعد التخطيط، أو بمجرد اكتمال البرمجة والاختبار. وقال كريج: \"الأمر متروك لمستخدمي المصنع، ولكنه أزال تمامًا الكثير من وقت الانتظار الذي لدينا حاليًا ضمن عملياتنا\". على النقيض من ذلك، في وقت مبكر، \"في كل مرة يتم فيها تشغيل الشيء، كانوا يريدون إلقاء نظرة على المخرجات\"، وأصبح ذلك حلقة ردود الفعل التي تدرب كل من البشر والعملاء. بعض هذا، كما قال كريج، هو \"مجرد أتمتة سريعة\" وتقديم تعليقات متكررة؛ بعضها من البشر، وبعضها من وكيل الفرز. \"لكننا نرى ذلك يبدأ في الظهور، ويبدأ في أن يصبح القواعد.\" عندما تأتي نفس التعليقات من اتجاهين مختلفين (الفاعل والإنسان)، فمن المنطقي الانتقال إلى مستودع سياق Liberty. سيعتمد الوكلاء بعد ذلك على هذا السياق في المرة التالية التي يحتاجون فيها إلى اتخاذ هذا القرار، \"وفي المرة التالية مرة أخرى، تبدأ في الإسراع\". وقال كريج: \"إنها مثل دولاب الموازنة بمجرد أن تبدأ في بناء هذه الأشياء وتبدأ في تدفقها\". \"تدرك أنه يستمع إلى ما تقوله.\" العقود التي تتوافق مع وتيرة التغيير قامت Liberty بإقران هذا الوضع المعماري مع وضع العقد، حيث تحولت بشكل متعمد من صفقات المؤسسات لمدة خمس سنوات إلى اتفاقيات مدتها عام واحد. المنطق بسيط كما يراه كريج: يتحرك سوق الذكاء الاصطناعي بسرعة كبيرة بحيث لا يمكن تقييده بمورد واحد أو إطار عمل واحد لمدة نصف عقد أو أكثر. وتسمح لهم الفترات الأقصر بتقييم النماذج والمنصات - وإذا لزم الأمر، مبادلة - بالسرعة التي يتغير بها السوق فعليًا. التكلفة جزء من القصة. عندما يصل نموذج حدودي متميز مثل Fable، تكون صدمة الملصقات حقيقية. قال كريج: \"ترى السعر وتقول: يا إلهي، من الأفضل أن يكون جيدًا حقًا. (لقد كان الأمر كذلك؛ لقد استخدموه بما يكفي \"للوقوع في حبه\".) تتيح قابلية التشغيل البيني للعمود الفقري لفريقه مقارنة النماذج عند نقاط سعر مختلفة وتوجيه أعباء العمل بناءً على أداء السعر بدلاً من جمود البائع. ويحكم نفس الموقف الطريقة التي يخططون بها لاستخدام وكلاء من منصات SaaS الرئيسية. Liberty هو أحد عملاء Salesforce وSplunk، اللذين سيقومان \"بإحضار وكلائهما إلى الطاولة\". ليس لدى فريقه أي اهتمام بتكرار العمل الهندسي، لكنهم يصرون على إمكانية الملاحظة. وقال كريج: \"نريد فقط تسخيره كجزء من نظامنا\"، بدلاً من السيطرة عليه. \"لكننا نريد أن نفهم إمكانية الملاحظة ما يفعله وكيلهم ببياناتنا، مع مستخدمينا.\" سد \"فجوة السيطرة\" الأهم من ذلك، أن ليبرتي قامت ببناء إمكانية المراقبة في عمودها الفقري. كما أوضح كريج، لا يقتصر الأمر على تسجيل ما يفعله الوكيل فحسب، بل ما يصل إليه والهوية التي يستخدمها والأدوات المسموح له باستدعائها. تعمل الهوية والوصول جزئيًا على معرف Microsoft Entra، ويتم منح الوكلاء فقط الأدوات والأذونات المخصصة لهم بشكل صريح. كلما أدرك الوكيل أنه \"لا أملك المعلومات\"، فإنه يطلبها، ولا يحصل إلا على ما يحتاج إليه، بدلاً من إعطاء السلطة \"لاستخدام كل أداة في الصندوق\". قال كريج: \"لأن الكثير من المعلومات المقدمة للوكيل أسوأ من عدم وجود معلومات\". \"أنت فقط تفرط في تحميله، ويصبح الأمر مشوشًا.\" ومن أجل الاكتشاف، تجري Liberty تقييمات باستخدام MLflow مقابل \"مجموعات البيانات الذهبية\". كلما تغيرت المطالبات أو النماذج، فإنها تقوم باختبار الانحدار وترى على الفور ما إذا كانت النتائج قد تحسنت أم تدهورت. إحدى العبارات الجديدة لفريقه هي \"أنت بحاجة إلى السير على خطى بداية جديدة\". إذا لم تتمكن البداية الجديدة من العثور على مستند توجيهي، فكيف سيفعل وكيل الذكاء الاصطناعي؟ واعترف كريج بأن أحد الأشياء الرئيسية التي يتعين على المؤسسات القيام بها، بغض النظر عن عملية الأعمال، هو \"كتابة الأشياء، وهو أمر لا يُحدث تغييرًا جذريًا\". يلتزم الوكلاء بالمعايير المكتوبة بشكل أكثر موثوقية من الأشخاص، ويعد مستودع السياق قطعة أثرية مركزية لنظام Liberty Mutual. وشدد على أن الوكلاء جعلوا الحكم البشري أكثر أهمية، وليس أقل أهمية. لا يتم شحن أي شيء دون موافقة بشرية، بما يتوافق مع موقف المخاطر الخاص بشركة Liberty باعتبارها شركة تأمين. قال كريج: \"الثقة ليست موجودة بعد بالنسبة لنا لنترك الأمر ينطلق بشكل جامح، ولا أعتقد أنه سيكون كذلك أبدًا لأمثال ليبرتي\". \"علينا أن نكون أقوياء قبل أن نسمح لأي شيء بالدخول إلى الإنتاج.\" قد يكون التحرك بسرعة من أجل ملاءمة المنتج واستمراريته أمرًا منطقيًا بالنسبة للشركات الأخرى، ولكن في نهاية المطاف، \"سيصبح بعض الأشخاص عيونهم سوداء، ولكن هذه هي متعة الابتكار هذه الأيام\". قال.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/box-survey-why-enterprise-ai-leaders-are-outperforming-their-peers",
            "title_en": "Box survey: Why enterprise AI leaders are outperforming their peers",
            "summary_en": "Presented by Box Content access, governance, and platform flexibility are emerging as the dividing lines between AI leaders and laggards, according to the new State of AI in the enterprise report from Box, which surveyed 1,640 IT decision makers across the US, UK, France, and Japan. One of the report's major findings is the speed of the shift: the combined share of organizations describing themselves as advanced or leading edge soared from 8% to 64% just over the past year, while the share calling themselves early stage or not yet started collapsed from 53% to just 9%. Eighty percent of organizations reported a notable return on their AI investment, defined in the survey as an improvement of at least 10%, and more than half saw measurable business impact within six months of getting a",
            "body_en": "Presented by Box Content access, governance, and platform flexibility are emerging as the dividing lines between AI leaders and laggards, according to the new State of AI in the enterprise report from Box, which surveyed 1,640 IT decision makers across the US, UK, France, and Japan. One of the report's major findings is the speed of the shift: the combined share of organizations describing themselves as advanced or leading edge soared from 8% to 64% just over the past year, while the share calling themselves early stage or not yet started collapsed from 53% to just 9%. Eighty percent of organizations reported a notable return on their AI investment, defined in the survey as an improvement of at least 10%, and more than half saw measurable business impact within six months of getting a project approved. The swing is largely due to how enterprises are now organizing their AI use rather than to any single technical breakthrough, says Olivia Nottebohm, COO of Box. \"We've moved from standalone experimentation that lived at the individual level into systematized, integrated agentic operations, agents that are in production and can be used in a repeatable manner,\" Nottebohm says. \"That's where the impact is coming from.\" Why AI leaders get higher ROI than early-stage companies The divide between tiers is a matter of execution. Significantly, half of leading-edge companies reported AI-driven ROI above 25%, compared with just 11% of early-stage companies, with the advanced (33%) and developing (16%) tiers falling steadily in between. But Nottebohm says the real differentiator was not whether companies adopted AI, but how rigorously they integrated and managed it. \"What separates the leading edge is the operating muscle they've built: the right teams to deploy agents, formal governance to control them, and consistency in the content layer those agents work from,\" she explains. \"Earlier stage companies are approaching it in a much more ad hoc, experimental way, letting people play around with it without the same intent or structured design.\" Content access is the biggest barrier to enterprise AI ROI Content, rather than model quality, is the defining bottleneck of 2026. Ninety-six percent of organizations say agents need access to company-specific content, yet only 36% have connected agents to trusted content across many use cases. It's an issue of trust rather than raw capability. \"We started this journey assuming enterprise AI was about access to the latest model,\" Nottebohm says. \"But the question now is whether agents have access to the right content, and whether that content is protected, because those agents are only as good as the content they can reference, and only as safe as the security around it.\" Getting that content layer right has a second benefit beyond safety, since it’s also what finally lets agents work across departments that previously operated in isolation from one another. And while roughly a quarter of organizations point to data fragmented across systems, 24% cite difficulty integrating AI into existing systems, 21% say they lack adequate permissions and access controls, and 18% describe their content as too unorganized to make accessible at all. Among the most mature organizations, 63% now treat unstructured documents, contracts, and reports as a competitive advantage rather than dead weight sitting in a digital filing cabinet. Reducing common AI data exposure incidents Nearly half of all organizations say they have already experienced an AI-related data exposure incident. That figure rises to 60% among leading-edge companies, which may face greater exposure from more agents and connected systems — but may also be better equipped to detect it. The share of organizations reporting established or advanced governance frameworks rose from 24% in 2025 to 73% this year, but real gaps remain in instrumentation: only 39% have comprehensive visibility across sanctioned and unsanctioned AI use, 34% have formal standards for how agents access company data, and 27% still describe their governance as ad hoc. But those incidents function as a forcing mechanism rather than a setback, Nottebohm says. \"Governance used to be seen as something that slowed people down, but 93% of respondents told us better governance is actually what let them move faster,\" she explains. \"It makes scaling AI survivable. Once content is secured and highly permissioned, you can run multiple agents across multiple processes and get a real multiplier effect.\" One practical consequence of that shift is that permission structures built for human employees are now being revisited with agents in mind, a process most enterprises are only partway through. \"The permissions enterprises set up two years ago need to be reviewed,\" she explains. \"Until fairly recently, people weren't setting permissions on a document with how an agent might use it in mind, but now they're much more deliberate about that. It leaves them with a whole corpus of unstructured data to go back through and either clean up or repermission.\" That's part of a broader move away from governance designed for people and toward governance designed for agents from the start. \"Enterprises need to make the transition from governance that's retrofitted from human workflows to governance that's built specifically for agents,\" Nottebohm says. \"That means tracking what an agent has touched, whose permissions were applied, and which sources were used, and all of that is now shaping how governance gets applied.\" Enterprises need to avoid lock-in to a single AI vendor \"The days of token-maxing are already gone,\" Nottebohm says. \"It's now about the responsibility of delivering efficient AI. Organizations want to use the cheapest model that meets the quality bar they need, not necessarily the most expensive one, because different model families keep leapfrogging each other and companies want to preserve that choice.\" That means enterprises are avoiding lock-in more than ever. Sixty-eight percent say they're concerned about depending on a single AI provider, the average number of officially adopted AI tools has climbed to 3.3, and 79% now consider it important or critical that agents operate headlessly, connecting directly to systems and APIs without a human interface in between. It's a trend similar to the shift toward multi-cloud infrastructure, and driven by a similar reluctance to hand any one vendor outsized negotiating power. \"A flexible architecture is built on platform interoperability,\" Nottebohm says. \"It runs on multiple models, operates headlessly, and keeps every part of the AI stack swappable, so organizations don't have to bet on which individual tool wins, and that's part of the broader shift away from defaulting to the biggest, most expensive model available.\" The next steps to AI success Over the next three years, businesses should prioritize organizing, classifying, and cleaning up unstructured content, actively hiring and building teams around emerging roles, and adopting a hybrid token compute budget model, where IT owns the core infrastructure and token budget while business units own the application-level spend. And right now, it's easy to get up to speed fast. \"You don't have to start at early maturity and slowly work your way up,\" Nottebohm says. \"If you build in the governance, the content layer, and the multi-model system from the start, you can enter as a leading company and capture that same outsized impact.\" Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/5KgAzTTrz9PeerTnJS0NYU\/7639dac8368a19be24acda70fac39156\/AdobeStock_1607485459.jpeg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/box-survey-why-enterprise-ai-leaders-are-outperforming-their-peers",
            "date": "2026-07-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "استطلاع مربع: لماذا يتفوق قادة الذكاء الاصطناعي في المؤسسات على أقرانهم",
            "summary_ar": "يظهر الوصول إلى المحتوى والحوكمة ومرونة النظام الأساسي كخطوط فاصلة بين قادة الذكاء الاصطناعي والمتخلفين، وفقًا لحالة الذكاء الاصطناعي الجديدة في تقرير المؤسسة من Box، الذي شمل 1640 من صناع القرار في مجال تكنولوجيا المعلومات عبر الولايات المتحدة والمملكة المتحدة وفرنسا واليابان. إحدى النتائج الرئيسية التي توصل إليها التقرير هي سرعة التحول: ارتفعت الحصة المجمعة من المؤسسات التي تصف نفسها بأنها متقدمة أو رائدة من 8% إلى 64% خلال العام الماضي فقط، في حين انهارت الحصة التي تطلق على نفسها اسم المرحلة المبكرة أو التي لم تبدأ بعد من 53% إلى 9% فقط. أبلغت 80% من المؤسسات عن عائد ملحوظ على استثماراتها في الذكاء الاصطناعي، والذي تم تحديده في الاستطلاع على أنه تحسن بنسبة 10% على الأقل، وشهد أكثر من النصف تأثيرًا تجاريًا قابلاً للقياس في غضون ستة أشهر من الحصول على",
            "body_ar": "يظهر الوصول إلى المحتوى والحوكمة ومرونة النظام الأساسي كخطوط فاصلة بين قادة الذكاء الاصطناعي والمتخلفين، وفقًا لحالة الذكاء الاصطناعي الجديدة في تقرير المؤسسة من Box، الذي شمل 1640 من صناع القرار في مجال تكنولوجيا المعلومات عبر الولايات المتحدة والمملكة المتحدة وفرنسا واليابان. إحدى النتائج الرئيسية التي توصل إليها التقرير هي سرعة التحول: ارتفعت الحصة المجمعة من المؤسسات التي تصف نفسها بأنها متقدمة أو رائدة من 8% إلى 64% خلال العام الماضي فقط، في حين انهارت الحصة التي تطلق على نفسها اسم المرحلة المبكرة أو التي لم تبدأ بعد من 53% إلى 9% فقط. أبلغت 80% من المؤسسات عن عائد ملحوظ على استثماراتها في الذكاء الاصطناعي، والذي تم تحديده في الاستطلاع على أنه تحسن بنسبة 10% على الأقل، وشهد أكثر من النصف تأثيرًا تجاريًا قابلاً للقياس في غضون ستة أشهر من الحصول على الموافقة على المشروع. تقول أوليفيا نوتيبوم، المديرة التنفيذية للعمليات في Box، إن هذا التأرجح يرجع إلى حد كبير إلى الطريقة التي تنظم بها الشركات الآن استخدام الذكاء الاصطناعي، وليس إلى أي اختراق تقني واحد. يقول نوتيبوم: \"لقد انتقلنا من التجارب المستقلة التي عاشت على المستوى الفردي إلى عمليات وكيلة منظمة ومتكاملة، وهي عوامل قيد الإنتاج ويمكن استخدامها بطريقة قابلة للتكرار\". \"من هنا يأتي التأثير.\" لماذا يحصل قادة الذكاء الاصطناعي على عائد استثمار أعلى من الشركات في مراحلها المبكرة؟ إن الفجوة بين المستويات هي مسألة تنفيذ. ومن الجدير بالذكر أن نصف الشركات الرائدة سجلت عائداً على الاستثمار يعتمد على الذكاء الاصطناعي يزيد عن 25%، مقارنة بـ 11% فقط من الشركات في المراحل المبكرة، مع تراجع المستويين المتقدم (33%) والمتطور (16%) بشكل مطرد بينهما. لكن نوتيبوم يقول إن الفارق الحقيقي لم يكن ما إذا كانت الشركات قد تبنت الذكاء الاصطناعي، ولكن مدى دقة دمجه وإدارته. وتوضح قائلة: \"ما يفصل بين الحافة الرائدة هو القوة التشغيلية التي بنوها: الفرق المناسبة لنشر الوكلاء، والحوكمة الرسمية للتحكم بهم، والاتساق في طبقة المحتوى التي يعمل منها هؤلاء الوكلاء\". \"تتعامل الشركات في المراحل المبكرة مع الأمر بطريقة أكثر تخصيصًا وتجريبية، مما يسمح للأشخاص بالتلاعب به دون نفس النية أو التصميم المنظم.\" يعد الوصول إلى المحتوى أكبر عائق أمام عائد الاستثمار للذكاء الاصطناعي في المؤسسة. المحتوى، وليس جودة النموذج، هو عنق الزجاجة المحدد لعام 2026. تقول ستة وتسعون بالمائة من المؤسسات أن الوكلاء يحتاجون إلى الوصول إلى المحتوى الخاص بالشركة، ومع ذلك فإن 36٪ فقط قاموا بتوصيل الوكلاء بالمحتوى الموثوق به عبر العديد من حالات الاستخدام. إنها مسألة ثقة وليست مسألة قدرة خام. يقول نوتيبوم: \"لقد بدأنا هذه الرحلة على افتراض أن الذكاء الاصطناعي المؤسسي كان يتعلق بالوصول إلى أحدث طراز\". \"لكن السؤال الآن هو ما إذا كان الوكلاء لديهم إمكانية الوصول إلى المحتوى الصحيح، وما إذا كان هذا المحتوى محميًا، لأن هؤلاء الوكلاء جيدون فقط بقدر المحتوى الذي يمكنهم الرجوع إليه، وآمنون فقط بقدر الأمان المحيط به.\" إن الحصول على طبقة المحتوى بشكل صحيح له فائدة ثانية تتجاوز الأمان، لأنه أيضًا ما يتيح للوكلاء أخيرًا العمل عبر الأقسام التي كانت تعمل سابقًا بمعزل عن بعضها البعض. وبينما يشير ما يقرب من ربع المؤسسات إلى البيانات المجزأة عبر الأنظمة، تشير 24% منها إلى صعوبة دمج الذكاء الاصطناعي في الأنظمة الحالية، وتقول 21% منها إنها تفتقر إلى الأذونات وضوابط الوصول الكافية، ووصف 18% المحتوى الخاص بها بأنه غير منظم للغاية بحيث لا يمكن الوصول إليه على الإطلاق. من بين المؤسسات الأكثر نضجًا، يتعامل 63% منها الآن مع المستندات والعقود والتقارير غير المنظمة باعتبارها ميزة تنافسية بدلاً من كونها ثقلًا ثقيلًا في خزانة الملفات الرقمية. الحد من حوادث التعرض لبيانات الذكاء الاصطناعي الشائعة يقول ما يقرب من نصف جميع المؤسسات إنها تعرضت بالفعل لحادث تعرض للبيانات المتعلقة بالذكاء الاصطناعي. ويرتفع هذا الرقم إلى 60% بين الشركات الرائدة، التي قد تواجه تعرضًا أكبر من المزيد من الوكلاء والأنظمة المتصلة - ولكنها قد تكون أيضًا مجهزة بشكل أفضل لاكتشاف ذلك. ارتفعت حصة المؤسسات التي أبلغت عن أطر الحوكمة الراسخة أو المتقدمة من 24% في عام 2025 إلى 73% هذا العام، ولكن لا تزال هناك فجوات حقيقية في الأدوات: 39% فقط لديها رؤية شاملة عبر استخدام الذكاء الاصطناعي المحظور وغير المصرح به، و34% لديها معايير رسمية لكيفية وصول الوكلاء إلى بيانات الشركة، و27% لا تزال تصف حوكمتها بأنها مخصصة. لكن هذه الحوادث تعمل كآلية إجبار وليست انتكاسة، كما يقول نوتيبوم. وتوضح قائلة: \"كان يُنظر إلى الحوكمة على أنها شيء يبطئ الناس، لكن 93% من المشاركين أخبرونا أن الحوكمة الأفضل هي في الواقع ما يسمح لهم بالتحرك بشكل أسرع\". \"إنه يجعل توسيع نطاق الذكاء الاصطناعي قابلاً للبقاء. بمجرد تأمين المحتوى ومنحه أذونات عالية، يمكنك تشغيل وكلاء متعددين عبر عمليات متعددة والحصول على تأثير مضاعف حقيقي.\" إحدى النتائج العملية لهذا التحول هي أن هياكل الأذونات المصممة للموظفين البشريين تتم الآن إعادة النظر فيها مع وضع الوكلاء في الاعتبار، وهي عملية لم تنجزها معظم المؤسسات إلا جزئيًا. وتوضح قائلة: \"تحتاج الأذونات التي أنشأتها المؤسسات قبل عامين إلى المراجعة\". \"حتى وقت قريب إلى حد ما، لم يكن الأشخاص يحددون أذونات على مستند مع وضع كيفية استخدام الوكيل لها في الاعتبار، لكنهم الآن أكثر تعمدًا في ذلك. وهذا يترك لهم مجموعة كاملة من البيانات غير المنظمة للعودة إليها وإما تنظيفها أو إعادة الترخيص.\" يعد هذا جزءًا من تحرك أوسع بعيدًا عن الحوكمة المصممة للأشخاص ونحو الحوكمة المصممة للوكلاء منذ البداية. يقول نوتيبوم: \"تحتاج المؤسسات إلى الانتقال من الحوكمة التي تم تحديثها من سير العمل البشري إلى الحوكمة المصممة خصيصًا للوكلاء\". \"وهذا يعني تتبع ما لمسه الوكيل، ومن تم تطبيق أذوناته، والمصادر التي تم استخدامها، وكل ذلك يشكل الآن كيفية تطبيق الحوكمة.\" تحتاج الشركات إلى تجنب الانغلاق على بائع واحد للذكاء الاصطناعي، يقول نوتيبوم: \"لقد ولت أيام الحد الأقصى من الرمز المميز بالفعل\". \"يتعلق الأمر الآن بمسؤولية تقديم الذكاء الاصطناعي الفعال. ترغب المؤسسات في استخدام النموذج الأرخص الذي يلبي معايير الجودة التي تحتاجها، وليس بالضرورة الأكثر تكلفة، لأن عائلات النماذج المختلفة تستمر في التفوق على بعضها البعض وتريد الشركات الحفاظ على هذا الاختيار.\" وهذا يعني أن الشركات تتجنب الانغلاق أكثر من أي وقت مضى. يقول 68% إنهم قلقون بشأن الاعتماد على مزود واحد للذكاء الاصطناعي، وقد ارتفع متوسط ​​عدد أدوات الذكاء الاصطناعي المعتمدة رسميًا إلى 3.3، ويعتبر 79% الآن أنه من المهم أو الحاسم أن يعمل الوكلاء دون رأس، ويتصلون مباشرة بالأنظمة وواجهات برمجة التطبيقات دون واجهة بشرية بينهما. إنه اتجاه مشابه للتحول نحو البنية التحتية السحابية المتعددة، ويقوده إحجام مماثل عن تسليم أي بائع واحد سلطة تفاوضية كبيرة. يقول نوتيبوم: \"إن البنية المرنة مبنية على قابلية التشغيل البيني للنظام الأساسي\". \"إنه يعمل على نماذج متعددة، ويعمل بدون رأس، ويبقي كل جزء من حزمة الذكاء الاصطناعي قابلاً للتبديل، لذلك لا يتعين على المؤسسات الرهان على الأداة الفردية التي ستفوز، وهذا جزء من التحول الأوسع بعيدًا عن التقصير إلى النموذج الأكبر والأكثر تكلفة المتاح.\" الخطوات التالية لنجاح الذكاء الاصطناعي على مدى السنوات الثلاث المقبلة، يجب على الشركات إعطاء الأولوية لتنظيم وتصنيف وتنظيف المحتوى غير المنظم، وتوظيف وبناء فرق حول الأدوار الناشئة، واعتماد نموذج ميزانية حساب رمزي مختلط، حيث تمتلك تكنولوجيا المعلومات البنية التحتية الأساسية وميزانية الرمز المميز بينما تمتلك وحدات الأعمال الإنفاق على مستوى التطبيق. وفي الوقت الحالي، من السهل الوصول إلى السرعة بسرعة. يقول نوتيبوم: \"ليس عليك أن تبدأ عند النضج المبكر وأن تتقدم ببطء\". \"إذا قمت ببناء الحوكمة وطبقة المحتوى والنظام متعدد النماذج منذ البداية، فيمكنك الدخول كشركة رائدة والحصول على نفس التأثير الضخم.\" المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/anthropic-brings-claude-cowork-to-mobile-and-web-as-usage-data-shows-most-users-arent-coding",
            "title_en": "Anthropic brings Claude Cowork to mobile and web as usage data shows most users aren’t coding",
            "summary_en": "Anthropic on Tuesday launched Claude Cowork on mobile and web , expanding a tool that has quietly become the company's bridge between the developer-centric world of AI coding agents and the far larger market of knowledge workers who never open a terminal. The rollout, which begins in beta with Max subscribers before expanding to additional plans, marks a strategic inflection for Anthropic. It transforms Cowork from a desktop-only agent into a cross-device platform where tasks can start on a laptop, continue autonomously in the background, and be reviewed from a phone — even after the user closes the app entirely. \"Your work goes everywhere with you, and keeps going without you,\" Anthropic writes in its announcement. The timing is deliberate. Alongside the mobile launch, Anthropic publ",
            "body_en": "Anthropic on Tuesday launched Claude Cowork on mobile and web , expanding a tool that has quietly become the company's bridge between the developer-centric world of AI coding agents and the far larger market of knowledge workers who never open a terminal. The rollout, which begins in beta with Max subscribers before expanding to additional plans, marks a strategic inflection for Anthropic. It transforms Cowork from a desktop-only agent into a cross-device platform where tasks can start on a laptop, continue autonomously in the background, and be reviewed from a phone — even after the user closes the app entirely. \"Your work goes everywhere with you, and keeps going without you,\" Anthropic writes in its announcement. The timing is deliberate. Alongside the mobile launch, Anthropic published usage data from 1.2 million anonymized Claude Cowork sessions sampled between May 11 and May 31, drawn from more than 600,000 organizations. The data paints a striking picture: the overwhelming majority of what people do with Cowork has nothing to do with writing software. The biggest AI story nobody's talking about The numbers tell a story that cuts against the dominant narrative in enterprise AI, which has fixated on coding assistants and developer productivity as the primary use case for large language models. Business process and operations — tasks like pulling scattered updates into a single report, building onboarding checklists, and reconciling spreadsheets — accounted for 33.4% of all sampled Cowork sessions, making it the single largest category by a wide margin. Content creation and copywriting — producing drafts, slide decks, posts, and proposals — came in second at 16.4%. Together, those two categories make up roughly half of all Claude Cowork usage. Software development, by contrast, accounted for just 8.7%. DevOps and infrastructure followed at 7%, with research and intelligence at 6.4%, data analysis and business intelligence at 5.8%, document processing and extraction at 4.1%, and sales and revenue operations at 4%. The remaining 12 categories each represented less than 4% of usage, including personal assistance at 3.8%, education at 2.4%, and meeting intelligence at 1.8%. Anthropic describes these dominant use cases as \"the work around the work\" — tasks that span nearly every role in an organization but rarely appear in anyone's core job description. \"People are using it for a variety of tasks that aren't necessarily the hallmark of a specific role, but instead represent the connective work around a role that moves projects forward and keeps businesses running,\" the company writes. \"That means tasks like drafting a status update, building a slide deck, or condensing reams of research into a single report.\" That phrase — \"the work around the work\" — is Anthropic's attempt to define and claim an entirely new category of AI productivity. It's a calculated reframing: rather than positioning AI as a tool that replaces what professionals do, Anthropic is arguing that the most valuable current application is handling everything professionals do around their actual expertise. What mobile access changes — and what it doesn't The expansion to mobile and web introduces three concrete capabilities that reflect how Anthropic envisions Cowork fitting into daily workflows. First, sessions now sync across devices. A user can start a task at their desk, check on its progress from a phone, and retrieve the finished output from any device. Second — and arguably more significant — Cowork can now run tasks in the background with no device online at all. Users can schedule work for a specific time, and Claude will execute it autonomously. Anthropic offers the example of setting Monday morning client prep for 6 a.m.: \"Claude works through the email threads, transcripts, and recent news, builds the briefing doc, and leaves the follow-up email drafted but unsent. Review it over coffee.\" Third, when Claude encounters a decision that requires human judgment, it surfaces the question to the user's phone. \"Nothing ships until you've reviewed and approved it,\" Anthropic states. Desktop remains the most fully featured surface, with access to local files and the browser. But the web version also opens Cowork to users who cannot install a desktop application — a meaningful expansion in enterprise environments where IT departments control software installation. The company also unified its interface: on web and desktop, chat and Cowork now share a single home screen, and projects and artifacts persist across both modes. To encourage adoption, Anthropic is extending doubled Cowork usage limits through August 5. The strategic logic: why Anthropic is chasing the non-developer The usage data and the mobile launch together reveal a company executing a two-track strategy. Claude Code , its terminal-based coding agent, dominates among software developers. But Cowork is designed to capture the vastly larger population of professionals whose work involves creating, organizing, and communicating information rather than writing code. The contrast between the two products is instructive. As Anthropic notes, Claude Code \"is most often used by software developers for the key parts of their role: building, debugging, and shipping code.\" When developers do use Cowork , they tend to use it not for programming but for the communications-focused work that surrounds every role — status updates, documentation, and coordination. This pattern — where AI handles the connective tissue of work rather than its core substance — aligns with what Anthropic describes as people using \"Claude Cowork to assemble and structure the information they can use to act on their expertise.\" The company illustrates this with three examples: a lawyer using Cowork for document formatting and filing while reserving legal judgment for themselves, a hiring manager synthesizing interview feedback while spending more time on candidate conversations, and a team lead producing a slide deck that explains a decision while focusing on actually making that decision. The implications for Anthropic's business model are significant. Developer-focused tools, while high-profile, serve a relatively narrow market. The Ramp AI Index published in May showed Anthropic pulling ahead of OpenAI in business adoption for the first time — with 34.4% of firms paying for Anthropic's services compared to OpenAI's 32.3% — and suggests the company's enterprise push is gaining traction. Claude Code was identified as the primary driver of that shift. But Cowork targets an addressable market that is orders of magnitude larger: every knowledge worker with a laptop, a pile of spreadsheets, and a slide deck due by Friday. A crowded field gets more competitive The mobile launch arrives during one of Anthropic's busiest — and most turbulent — stretches in its history. Just last week, Anthropic launched Claude Sonnet 5 , a new model that narrows the performance gap with its more expensive Opus-class models while maintaining lower pricing. The model is available at introductory pricing of $2 per million input tokens through August 31 before rising to $3 per million input tokens. Sonnet 5 serves as the engine underneath Cowork, and its improved agentic capabilities — better reasoning, tool use, and sustained task completion — directly enhance Cowork's ability to handle complex, multi-step workflows. Two weeks before that, Anthropic released Claude Tag , a Slack-native AI agent designed for team collaboration. Where Cowork focuses on individual task delegation, Claude Tag operates as a multiplayer tool — a single Claude identity that everyone in a Slack channel can interact with, building context from conversations over time. According to Anthropic's announcement, 65% of the company's own product team's code is created by its internal version of Claude Tag. Fortune reported that Anthropic's head of product for Claude Code and Cowork, Cat Wu, described the distinction: \"Claude Code, Cowork, and chat are very single-player, whereas Claude Tag is built to be interactive and multiplayer.\" Together, Cowork and Claude Tag represent a pincer strategy: Cowork captures individual productivity workflows across devices, while Claude Tag embeds AI into team communication channels. Both are designed to push Anthropic deeper into enterprise operations, beyond the developer seat. The security question looms The expansion also arrives against a backdrop of unresolved security concerns. On July 1, security firm Armadin — led by Mandiant founder Kevin Mandia — published research detailing what it described as a full sandbox escape in Claude Cowork on Windows, as reported by SiliconANGLE . The attack chain involved DLL sideloading against the Claude desktop executable to gain trusted access to Cowork's virtual machine service, then exploiting undocumented parameters to achieve root access and bypass network restrictions. Anthropic responded that the vulnerability did not qualify as a security issue because exploiting it requires an attacker to already have local code execution on the host machine. Armadin, however, raised a broader concern: that deploying local virtual machines on nontechnical users' systems creates visibility gaps that endpoint security products struggle to monitor. This tension takes on new dimensions as Cowork moves to mobile and web. The web and mobile versions run tasks server-side rather than in a local virtual machine, which eliminates the specific attack surface Armadin identified but introduces different questions about data handling, especially for scheduled background tasks that process email threads, calendar data, and documents without real-time user oversight. Anthropic's announcement states that \" the decisions still come to you \" and that nothing ships without review and approval. But as Cowork takes on increasingly complex autonomous workflows — processing contract folders, building client briefings from multiple data sources, drafting emails — the surface area for prompt injection and data exposure grows correspondingly. When Cowork first launched in January, TechCrunch reported that Anthropic explicitly warned about prompt injection risks, noting in its blog post: \"These risks aren't new with Cowork, but it might be the first time you're using a more advanced tool that moves beyond a simple conversation.\" As Anthropic courts enterprises, geopolitics complicates the pitch Anthropic's enterprise push is also colliding with geopolitical reality. CNBC reported Monday that Alibaba will ban employees from using Anthropic's AI tools starting July 10, placing Claude Code on a high-risk software list. The move followed Anthropic's June letter to the U.S. Senate accusing Alibaba of carrying out what it called \" the largest known distillation attack \" against its models. The Alibaba ban, combined with reports that Anthropic is closing loopholes that allowed Chinese companies to access Claude through third-country entities, underscores the increasingly fraught environment for AI companies attempting to serve global enterprise customers while navigating U.S. export and security restrictions. At the same time, Anthropic is investing massively in infrastructure. Reuters reported Monday that Anthropic signed a $19 billion, 20-year lease with TeraWulf for a data center being built in Hawesville, Kentucky, with 401 megawatts of computing power expected to become fully operational in 2028. That kind of capital commitment only makes sense if the company expects enterprise demand — not just from developers, but from the millions of knowledge workers that Cowork targets — to grow dramatically. Anthropic's own usage report comes with notable blind spots Anthropic is transparent about the limitations of its usage analysis. The taxonomy classifies sessions by the type of work being performed, not by the job title of the person doing it. There are no standalone categories for marketing, finance, or HR — functions that are likely absorbed into the dominant \"business process and operations\" bucket, which may partly explain why that category commands a third of all usage. The sample is also rate-capped rather than proportional to traffic, meaning the numbers are shares of sampled sessions, not absolute volumes. Usage during peak hours is somewhat underrepresented. And roughly 5% of sampled sessions involved personal, non-work use — hobbies, personal assistance, and companionship-style conversations — meaning the data doesn't purely reflect workplace activity. The company also acknowledged that its labeling pipeline changed around May 11, which is why the analysis window begins on that date rather than covering a longer period. What Cowork's rise says about the future of enterprise AI Anthropic's mobile launch and usage data arrive at a moment when the enterprise AI market is shifting from proof of concept to proof of value. The question facing every company deploying AI tools is no longer whether the technology works — but whether it delivers measurable productivity gains across an organization, not just within engineering teams. The usage data suggests that the answer, at least for Cowork, is emerging in an unexpected place. It's not in the glamorous work of building software or conducting research. It's in the unglamorous, universal labor of turning messy information into structured outputs that move organizations forward — the status reports, the onboarding checklists, the variance memos, the client decks. By untethering that capability from the desktop and making it available on every device, Anthropic is betting that the most valuable AI agent isn't the one that writes code. It's the one that handles everything else.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6ZETUDIzLWcalxxa40yeIg\/38b9b0fd6e4133768467665290155e68\/Nuneybits_Vector_art_of_burnt_orange_smartphone_framed_by_a_sim_6ca87270-c750-4113-8323-18160ad7ce93.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/anthropic-brings-claude-cowork-to-mobile-and-web-as-usage-data-shows-most-users-arent-coding",
            "date": "2026-07-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تقدم Anthropic كلود كوورك إلى الهاتف المحمول والويب حيث تظهر بيانات الاستخدام أن معظم المستخدمين لا يقومون بالبرمجة",
            "summary_ar": "أطلقت Anthropic يوم الثلاثاء Claude Cowork على الهاتف المحمول والويب، لتوسيع الأداة التي أصبحت بهدوء جسر الشركة بين عالم وكلاء تشفير الذكاء الاصطناعي الذي يركز على المطورين والسوق الأكبر بكثير من العاملين في مجال المعرفة الذين لم يفتحوا محطة أبدًا. يمثل الإصدار التجريبي، الذي يبدأ في مرحلة تجريبية مع مشتركي Max قبل التوسع إلى خطط إضافية، تحولًا استراتيجيًا لشركة Anthropic. إنه يحول Cowork من وكيل سطح المكتب فقط إلى منصة مشتركة بين الأجهزة حيث يمكن أن تبدأ المهام على جهاز كمبيوتر محمول، وتستمر بشكل مستقل في الخلفية، وتتم مراجعتها من الهاتف - حتى بعد أن يغلق المستخدم التطبيق بالكامل. وكتبت أنثروبيك في إعلانها: \"عملك يذهب معك إلى كل مكان، ويستمر بدونك\". التوقيت متعمد. إلى جانب إطلاق الهاتف المحمول، الأنثروبي عام",
            "body_ar": "أطلقت Anthropic يوم الثلاثاء Claude Cowork على الهاتف المحمول والويب، لتوسيع الأداة التي أصبحت بهدوء جسر الشركة بين عالم وكلاء تشفير الذكاء الاصطناعي الذي يركز على المطورين والسوق الأكبر بكثير من العاملين في مجال المعرفة الذين لم يفتحوا محطة أبدًا. يمثل الإصدار التجريبي، الذي يبدأ في مرحلة تجريبية مع مشتركي Max قبل التوسع إلى خطط إضافية، تحولًا استراتيجيًا لشركة Anthropic. إنه يحول Cowork من وكيل سطح المكتب فقط إلى منصة مشتركة بين الأجهزة حيث يمكن أن تبدأ المهام على جهاز كمبيوتر محمول، وتستمر بشكل مستقل في الخلفية، وتتم مراجعتها من الهاتف - حتى بعد أن يغلق المستخدم التطبيق بالكامل. وكتبت أنثروبيك في إعلانها: \"عملك يذهب معك إلى كل مكان، ويستمر بدونك\". التوقيت متعمد. إلى جانب إطلاق الهاتف المحمول، نشرت Anthropic بيانات استخدام من 1.2 مليون جلسة مجهولة المصدر لكلود كوورك تم أخذ عينات منها في الفترة ما بين 11 و31 مايو، مستمدة من أكثر من 600000 منظمة. ترسم البيانات صورة مذهلة: الغالبية العظمى مما يفعله الأشخاص باستخدام Cowork لا علاقة له بكتابة البرامج. أكبر قصة للذكاء الاصطناعي لا يتحدث عنها أحد، تحكي الأرقام قصة تتعارض مع السرد السائد في الذكاء الاصطناعي للمؤسسات، والذي ركز على مساعدي البرمجة وإنتاجية المطورين كحالة الاستخدام الأساسية لنماذج اللغات الكبيرة. تمثل عمليات الأعمال والعمليات - مثل جمع التحديثات المتفرقة في تقرير واحد، وإنشاء قوائم التحقق الخاصة بالتأهيل، وتسوية جداول البيانات - 33.4% من جميع عينات جلسات العمل Cowork، مما يجعلها الفئة الأكبر بفارق كبير. وجاء إنشاء المحتوى وكتابة النصوص – إنتاج المسودات ومجموعات الشرائح والمشاركات والمقترحات – في المرتبة الثانية بنسبة 16.4%. تشكل هاتان الفئتان معًا ما يقرب من نصف إجمالي استخدامات كلود كوورك. وعلى النقيض من ذلك، بلغت نسبة تطوير البرمجيات 8.7% فقط. تليها DevOps والبنية التحتية بنسبة 7%، مع البحث والاستخبارات بنسبة 6.4%، وتحليل البيانات وذكاء الأعمال بنسبة 5.8%، ومعالجة المستندات واستخراجها بنسبة 4.1%، وعمليات المبيعات والإيرادات بنسبة 4%. تمثل كل فئة من الفئات الـ 12 المتبقية أقل من 4% من الاستخدام، بما في ذلك المساعدة الشخصية بنسبة 3.8%، والتعليم بنسبة 2.4%، وذكاء الاجتماعات بنسبة 1.8%. تصف أنثروبيك حالات الاستخدام المهيمنة هذه بأنها \"العمل حول العمل\" - وهي المهام التي تشمل كل دور تقريبًا في المؤسسة ولكنها نادرًا ما تظهر في الوصف الوظيفي الأساسي لأي شخص. وكتبت الشركة: \"يستخدمه الناس في مجموعة متنوعة من المهام التي لا تمثل بالضرورة السمة المميزة لدور معين، ولكنها بدلاً من ذلك تمثل العمل الرابط حول الدور الذي يدفع المشاريع إلى الأمام ويحافظ على استمرار الأعمال\". \"وهذا يعني مهام مثل صياغة تحديث الحالة، أو إنشاء مجموعة شرائح، أو تكثيف مجموعات البحث في تقرير واحد.\" هذه العبارة - \"العمل حول العمل\" - هي محاولة Anthropic لتحديد فئة جديدة تمامًا من إنتاجية الذكاء الاصطناعي والمطالبة بها. إنها إعادة صياغة محسوبة: فبدلاً من وضع الذكاء الاصطناعي كأداة تحل محل ما يفعله المحترفون، ترى أنثروبيك أن التطبيق الحالي الأكثر قيمة هو التعامل مع كل ما يفعله المحترفون فيما يتعلق بخبراتهم الفعلية. ما الذي يتغير في الوصول عبر الهاتف المحمول - وما لا يتغير يقدم التوسع في الهاتف المحمول والويب ثلاث إمكانات ملموسة تعكس كيف تتصور Anthropic أن Cowork يتناسب مع سير العمل اليومي. أولاً، تتم الآن مزامنة الجلسات عبر الأجهزة. يمكن للمستخدم بدء مهمة على مكتبه، والتحقق من تقدمها من الهاتف، واسترداد الإخراج النهائي من أي جهاز. ثانيًا - وربما الأكثر أهمية - يمكن لتطبيق Cowork الآن تشغيل المهام في الخلفية دون الحاجة إلى وجود جهاز متصل بالإنترنت على الإطلاق. يمكن للمستخدمين جدولة العمل لوقت محدد، وسيقوم كلود بتنفيذه بشكل مستقل. يقدم Anthropic مثالاً لإعداد العميل صباح يوم الاثنين الساعة 6 صباحًا: \"يعمل كلود من خلال سلاسل البريد الإلكتروني والنصوص والأخبار الأخيرة، وينشئ مستندًا موجزًا، ويترك رسالة البريد الإلكتروني للمتابعة مصاغة ولكن غير مرسلة. قم بمراجعتها أثناء احتساء القهوة.\" ثالثًا، عندما يواجه كلود قرارًا يتطلب حكمًا بشريًا، فإنه يعرض السؤال على هاتف المستخدم. تقول أنثروبيك: \"لا يتم شحن أي شيء حتى تقوم بمراجعته والموافقة عليه\". يظل سطح المكتب هو السطح الأكثر تميزًا، مع إمكانية الوصول إلى الملفات المحلية والمتصفح. لكن إصدار الويب يفتح أيضًا Cowork للمستخدمين الذين لا يستطيعون تثبيت تطبيق سطح المكتب - وهو توسع مفيد في بيئات المؤسسات حيث تتحكم أقسام تكنولوجيا المعلومات في تثبيت البرامج. كما قامت الشركة أيضًا بتوحيد واجهتها: على الويب وسطح المكتب، يتشارك كل من الدردشة وCowork الآن في شاشة رئيسية واحدة، وتستمر المشاريع والعناصر في كلا الوضعين. لتشجيع التبني، تعمل Anthropic على تمديد حدود استخدام Cowork المضاعفة حتى 5 أغسطس. المنطق الاستراتيجي: لماذا تلاحق Anthropic غير المطورين؟ تكشف بيانات الاستخدام وإطلاق الهاتف المحمول معًا عن شركة تنفذ استراتيجية ذات مسارين. كلود كود، وكيل الترميز الطرفي، يهيمن على مطوري البرمجيات. لكن Cowork مصمم لاستيعاب عدد أكبر بكثير من المحترفين الذين يتضمن عملهم إنشاء المعلومات وتنظيمها وتوصيلها بدلاً من كتابة التعليمات البرمجية. التناقض بين المنتجين مفيد. كما لاحظت أنثروبيك، فإن كلود كود \"يُستخدم في أغلب الأحيان من قبل مطوري البرامج للأجزاء الرئيسية من دورهم: البناء، وتصحيح الأخطاء، والشحن.\" عندما يستخدم المطورون Cowork، فإنهم يميلون إلى استخدامه ليس للبرمجة ولكن للعمل الذي يركز على الاتصالات والذي يحيط بكل دور - تحديثات الحالة، والتوثيق، والتنسيق. هذا النمط - حيث يتعامل الذكاء الاصطناعي مع النسيج الضام للعمل بدلاً من جوهره الأساسي - يتماشى مع ما تصفه الأنثروبيك بالأشخاص الذين يستخدمون \"كلود كوورك لتجميع وهيكلة المعلومات التي يمكنهم استخدامها للعمل بناءً على خبراتهم\". توضح الشركة ذلك بثلاثة أمثلة: محامٍ يستخدم Cowork لتنسيق المستندات وحفظها مع الاحتفاظ بالحكم القانوني لنفسه، ومدير توظيف يجمع تعليقات المقابلة أثناء قضاء المزيد من الوقت في دراسة المرشح المحادثات، ويقوم قائد الفريق بإنتاج مجموعة شرائح تشرح القرار مع التركيز على اتخاذ هذا القرار فعليًا. إن الآثار المترتبة على نموذج أعمال الأنثروبيك كبيرة. إن الأدوات التي تركز على المطورين، على الرغم من كونها رفيعة المستوى، تخدم سوقًا ضيقة نسبيًا. أظهر مؤشر Ramp AI الذي نُشر في مايو أن شركة Anthropic تتقدم على OpenAI في تبني الأعمال للمرة الأولى - حيث تدفع 34.4% من الشركات مقابل خدمات Anthropic مقارنة بـ 32.3% لشركة OpenAI - ويشير إلى أن الدفع المؤسسي للشركة يكتسب زخمًا. تم تحديد كلود كود باعتباره المحرك الأساسي لهذا التحول. لكن Cowork يستهدف سوقًا يمكن التعامل معه وهو أكبر حجمًا: كل عامل في مجال المعرفة لديه جهاز كمبيوتر محمول، وكومة من جداول البيانات، ومجموعة شرائح يجب تسليمها بحلول يوم الجمعة. المجال المزدحم يصبح أكثر تنافسية يأتي إطلاق الهاتف المحمول خلال واحدة من أكثر فترات Anthropic ازدحامًا - وأكثرها اضطرابًا - في تاريخها. في الأسبوع الماضي فقط، أطلقت Anthropic طراز Claude Sonnet 5، وهو نموذج جديد يعمل على تضييق فجوة الأداء من خلال نماذج فئة Opus الأكثر تكلفة مع الحفاظ على أسعار أقل. النموذج متاح بسعر تمهيدي قدره 2 دولار لكل مليون رمز إدخال حتى 31 أغسطس قبل أن يرتفع إلى 3 دولارات لكل مليون رمز إدخال. يعمل Sonnet 5 كمحرك ضمن Cowork، وتعزز قدراته الوكيلة المحسنة - التفكير الأفضل واستخدام الأدوات وإكمال المهام بشكل مستدام - بشكل مباشر قدرة Cowork على التعامل مع سير العمل المعقد ومتعدد الخطوات. قبل أسبوعين من ذلك، أصدرت Anthropic كلود تاج، وهو وكيل ذكاء اصطناعي من Slack مصمم للتعاون الجماعي. في حين يركز Cowork على تفويض المهام الفردية، يعمل Claude Tag كأداة متعددة اللاعبين - وهوية Claude واحدة يمكن لأي شخص في قناة Slack التفاعل معها، وبناء السياق من المحادثات مع مرور الوقت. وفقًا لإعلان Anthropic، تم إنشاء 65% من كود فريق المنتج الخاص بالشركة بواسطة نسختها الداخلية من Claude Tag. ذكرت Fortune أن رئيس منتج Anthropic لـ Claude Code وCowork، Cat Wu، وصف التمييز: \"Claude Code وCowork والدردشة هم لاعب واحد جدًا، في حين تم تصميم Claude Tag ليكون تفاعليًا ومتعدد اللاعبين.\" يمثل Cowork وClaude Tag معًا استراتيجية الكماشة: حيث يلتقط Cowork سير عمل الإنتاجية الفردية عبر الأجهزة، بينما يقوم Claude Tag بدمج الذكاء الاصطناعي في قنوات اتصال الفريق. تم تصميم كلاهما لدفع Anthropic بشكل أعمق إلى عمليات المؤسسة، بما يتجاوز مقعد المطور. السؤال الأمني ​​يلوح في الأفق ويأتي التوسع أيضًا على خلفية مخاوف أمنية لم يتم حلها. في الأول من يوليو، نشرت شركة الأمان Armadin - بقيادة مؤسس Mandiant Kevin Mandia - بحثًا يشرح بالتفصيل ما وصفته بأنه هروب كامل من وضع الحماية في Claude Cowork على Windows، وفقًا لما أوردته SiliconANGLE. تضمنت سلسلة الهجوم تحميل ملفات DLL الجانبية على سطح مكتب Claude القابل للتنفيذ للحصول على وصول موثوق إلى خدمة الجهاز الظاهري لـ Cowork، ثم استغلال المعلمات غير الموثقة لتحقيق الوصول إلى الجذر وتجاوز قيود الشبكة. ردت شركة Anthropic بأن الثغرة الأمنية لا تعتبر مشكلة أمنية لأن استغلالها يتطلب من المهاجم أن يكون لديه بالفعل تنفيذ تعليمات برمجية محلية على الجهاز المضيف. ومع ذلك، أثار برنامج Armadin قلقًا أوسع نطاقًا: وهو أن نشر الأجهزة الافتراضية المحلية على أنظمة المستخدمين غير التقنيين يخلق فجوات في الرؤية تكافح منتجات أمان النقاط النهائية لمراقبتها. ويأخذ هذا التوتر أبعادًا جديدة مع انتقال Cowork إلى الهاتف المحمول والويب. تعمل إصدارات الويب والهواتف المحمولة على تشغيل المهام من جانب الخادم بدلاً من تشغيلها في جهاز ظاهري محلي، مما يلغي سطح الهجوم المحدد الذي حدده Armadin ولكنه يقدم أسئلة مختلفة حول معالجة البيانات، خاصة بالنسبة لمهام الخلفية المجدولة التي تعالج سلاسل رسائل البريد الإلكتروني وبيانات التقويم والمستندات دون إشراف المستخدم في الوقت الفعلي. ينص إعلان Anthropic على أن \"القرارات ما زالت تأتي إليك\" وأنه لا شيء يتم شحنه دون مراجعة وموافقة. ولكن نظرًا لأن Cowork يتولى مهام سير عمل مستقلة متزايدة التعقيد - مثل معالجة مجلدات العقود، وإنشاء ملخصات للعملاء من مصادر بيانات متعددة، وصياغة رسائل البريد الإلكتروني - فإن المساحة السطحية للحقن الفوري وعرض البيانات تنمو بشكل متناسب. عندما تم إطلاق Cowork لأول مرة في يناير، ذكرت TechCrunch أن Anthropic حذرت صراحةً من مخاطر الحقن الفوري، مشيرة في منشور مدونتها: \"هذه المخاطر ليست جديدة مع Cowork، ولكنها قد تكون المرة الأولى التي تستخدم فيها أداة أكثر تقدمًا تتجاوز مجرد محادثة بسيطة.\" بينما تحاكم الأنثروبيون المؤسسات، فإن الجغرافيا السياسية تزيد من تعقيد الملعب. كما أن الدفع المؤسسي الأنثروبيكي يصطدم أيضًا بالواقع الجيوسياسي. ذكرت CNBC يوم الاثنين أن شركة علي بابا ستمنع الموظفين من استخدام أدوات الذكاء الاصطناعي الخاصة بشركة Anthropic اعتبارًا من 10 يوليو، مما يضع كلود كود على قائمة البرامج عالية المخاطر. وجاءت هذه الخطوة في أعقاب رسالة أنثروبيك في يونيو إلى مجلس الشيوخ الأمريكي تتهم فيها علي بابا بتنفيذ ما أسمته \"أكبر هجوم تقطير معروف\" ضد نماذجها. إن حظر علي بابا، إلى جانب التقارير التي تفيد بأن شركة Anthropic تقوم بإغلاق الثغرات التي سمحت للشركات الصينية بالوصول إلى كلود من خلال كيانات دولة ثالثة، يسلط الضوء على البيئة المشحونة بشكل متزايد لشركات الذكاء الاصطناعي التي تحاول خدمة عملاء المؤسسات العالمية أثناء التنقل في قيود التصدير والأمن الأمريكية. وفي الوقت نفسه، تستثمر شركة أنثروبيك بشكل كبير في البنية التحتية. ذكرت رويترز يوم الاثنين أن Anthropic وقعت عقد إيجار بقيمة 19 مليار دولار لمدة 20 عامًا مع TeraWulf لمركز بيانات يتم بناؤه في هاويسفيل، كنتاكي، مع 401 ميجاوات من الطاقة الحاسوبية من المتوقع أن تصبح جاهزة للعمل بكامل طاقتها في عام 2028. هذا النوع من الالتزام الرأسمالي يكون منطقيًا فقط إذا كانت الشركة تتوقع أن ينمو طلب المؤسسات بشكل كبير - ليس فقط من المطورين، ولكن من الملايين من العاملين في مجال المعرفة الذين تستهدفهم Cowork. يأتي تقرير الاستخدام الخاص بشركة Anthropic مزودًا بنقاط عمياء ملحوظة. وتتسم Anthropic بالشفافية فيما يتعلق بالقيود المفروضة على تحليل استخدامها. ويصنف التصنيف الجلسات حسب نوع العمل الذي يتم تنفيذه، وليس حسب المسمى الوظيفي للشخص الذي يقوم بذلك. لا توجد فئات مستقلة للتسويق، أو التمويل، أو الموارد البشرية - وهي الوظائف التي من المحتمل أن يتم استيعابها في مجموعة \"عمليات الأعمال والعمليات\" المهيمنة، وهو ما قد يفسر جزئيًا سبب استحواذ هذه الفئة على ثلث إجمالي الاستخدام. كما أن العينة محددة أيضًا بالمعدل وليست متناسبة مع عدد الزيارات، مما يعني أن الأرقام عبارة عن حصص من الجلسات التي تم أخذ عينات منها، وليست أحجامًا مطلقة. الاستخدام خلال ساعات الذروة ممثل تمثيلا ناقصا إلى حد ما. وقد تضمنت ما يقرب من 5% من جلسات العينة استخدامًا شخصيًا غير مرتبط بالعمل - كالهوايات والمساعدة الشخصية والمحادثات بأسلوب الرفقة - مما يعني أن البيانات لا تعكس النشاط في مكان العمل بشكل كامل. وأقرت الشركة أيضًا بأن مسار وضع العلامات الخاص بها قد تغير في 11 مايو تقريبًا، ولهذا السبب تبدأ نافذة التحليل في ذلك التاريخ بدلاً من تغطية فترة أطول. ما يقوله صعود Cowork عن مستقبل بيانات إطلاق واستخدام الهاتف المحمول الخاصة بشركة AI Anthropic يصل إلى لحظة يتحول فيها سوق الذكاء الاصطناعي للمؤسسات من إثبات المفهوم إلى إثبات القيمة. لم يعد السؤال الذي يواجه كل شركة تستخدم أدوات الذكاء الاصطناعي هو ما إذا كانت التكنولوجيا ناجحة أم لا، بل ما إذا كانت تحقق مكاسب إنتاجية قابلة للقياس عبر المؤسسة، وليس فقط داخل الفرق الهندسية. تشير بيانات الاستخدام إلى أن الإجابة، على الأقل بالنسبة لـ Cowork، تظهر في مكان غير متوقع. لا يتعلق الأمر بالعمل الرائع المتمثل في بناء البرامج أو إجراء الأبحاث. إنه العمل العالمي غير الجذاب المتمثل في تحويل المعلومات الفوضوية إلى مخرجات منظمة تدفع المؤسسات إلى الأمام - تقارير الحالة، وقوائم المراجعة الخاصة بالتأهيل، ومذكرات التباين، ومجموعات العملاء. ومن خلال فصل هذه الإمكانية عن سطح المكتب وإتاحتها على كل جهاز، تراهن Anthropic على أن وكيل الذكاء الاصطناعي الأكثر قيمة ليس هو الذي يكتب التعليمات البرمجية. هو الذي يتولى كل شيء آخر.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/data\/digital-native-startups-are-ditching-rigid-databases-for-their-agentic-stacks",
            "title_en": "Digital-native startups are ditching rigid databases for their agentic stacks",
            "summary_en": "Presented by MongoDB The gap between what AI models and agents can produce and what legacy infrastructure can reliably support is known as architectural drag, and it is the defining bottleneck of the agentic era. The data layer underneath an agentic system must handle variable schemas, vector embeddings, real-time retrieval, and multi-tenant scale, often simultaneously and without human intervention to manage migrations — but traditional relational databases weren't natively designed for document flexibility or AI capabilities. Fixed schemas require manual updates every time an AI agent introduces a new data shape, while separate vector databases add latency and synchronization overhead. Three digital-native startups — Huntr, Modelence, and Tavily — solved this problem the same way: b",
            "body_en": "Presented by MongoDB The gap between what AI models and agents can produce and what legacy infrastructure can reliably support is known as architectural drag, and it is the defining bottleneck of the agentic era. The data layer underneath an agentic system must handle variable schemas, vector embeddings, real-time retrieval, and multi-tenant scale, often simultaneously and without human intervention to manage migrations — but traditional relational databases weren't natively designed for document flexibility or AI capabilities. Fixed schemas require manual updates every time an AI agent introduces a new data shape, while separate vector databases add latency and synchronization overhead. Three digital-native startups — Huntr, Modelence, and Tavily — solved this problem the same way: by building on MongoDB Atlas, a unified database platform with native vector search, hybrid search, and managed autoscaling. Their experiences define what an agent-native data stack looks like in production, and why using Atlas enables developers to easily build complex AI native companies. Modelence: Building the agent-native cloud Modelence is an AI app builder with an open-source framework designed specifically for agent-native development, enabling anyone to build and deploy production-ready web applications, including APIs and databases, in minutes. The company recognized early that most backend infrastructure was built for humans, not AI, and that the rigid schema management and complex migrations of traditional systems create operational drag that causes agents to fail when trying to build production-ready apps. “Choosing MongoDB helped us keep everything in a single place, which is an important property of what we strive to do for our own users,\" says Aram Shatakhtsyan, co-founder and CEO of Modelence. \"Live data streams, vector search, all as part of the main database. For AI agents, it’s especially important to have a single platform where everything can be done, because connecting multiple platforms together makes it more error prone.” Modelence standardized on MongoDB Atlas because its document model aligns with how AI agents process and generate data, allowing schemas to evolve rapidly without manual migrations. The platform pairs that flexibility with a typed schema layer on top, a deliberate architectural decision. “MongoDB’s document model enables us to both keep things simple and at the same time decide how structured we want everything to be,\" Shatakhtsyan says. We still add a typed schema on top, which tremendously improves the accuracy at which AI can generate fully working, reliable web apps.\" The TypeScript integration has been especially consequential, he adds. “Because MongoDB types and values can be directly translated to TypeScript, it becomes an extension of the Modelence framework and our App Builder has a single source of truth for both app logic and database,” Shatakhtsyan explains. The result is a platform that can move from planning to a running live feature in minutes with significantly fewer regressions. That speed and reliability helped Modelence raise $3 million in seed funding and successfully launch an AI-native app builder that handles the entire application lifecycle end-to-end. Tavily: The web access layer for agents Tavily is the search API purpose-built for AI agents, connecting them to real-time, accurate web knowledge and keeping them grounded in what's actually happening, not in static training data. At Tavily's scale, every agent request authenticates, retrieves, and meters without friction. That demanded backend infrastructure built to absorb change without breaking. “On the user side, every agent request authenticates and meters against it,\" says Tomer Weiss, Data Team Lead at Tavily. \"On the data side, we use it to track the lifecycle of every document we’ve ever touched: when it was fetched, how stale it is, what the freshness signals were and how popular it is. MongoDB’s flexible schema let us keep evolving those records without migrations as new metrics and features came along.” That living record is what keeps agents grounded in reality. Multi-tenancy at Tavily's scale means managing millions of API keys, distinct usage profiles, plan tiers, and regional residency requirements. They built for that complexity from day one. “We separated concerns across clusters early: a user\/account cluster optimized for low-latency authentication and usage writes, and a sharded cluster for document state where the scaling axis is URLs, not users,\" Weiss explains. \"That separation has paid off.” The most critical lesson is about choosing infrastructure that doesn’t punish change, and that flexibility compounds, he says. \"The AI space moves so fast that change is our norm,\" he explains. \"For a company serving AI agents, where the workloads themselves keep changing shape, choosing a data platform that doesn’t punish change has turned out to be more valuable than any single feature.” Huntr: From job tracker to AI career platform Huntr.co, an AI resume building and tailoring platform, helps more than 500,000 job seekers across 190 countries craft stronger applications and manage their search. For a lean, three-person engineering team, the challenge was finding a data foundation flexible enough to store the full complexity of a person’s career history in a structure that AI could read, reason about, and generate from natively. “The kinds of career data we are gathering at Huntr naturally aligns with MongoDB’s document model,\" says Trevor McCann, senior software engineer at Huntr. \"The core problem we’re solving with AI job search tools is how to surface the qualities of a candidate that make them unique. We need to be ready to store whatever kinds of data the candidate wants to include in their materials.” Huntr built its AI Resume Builder on MongoDB Atlas, where the document model mirrors the natural shape of career data: deeply nested, variable across candidates, and constantly evolving as the platform ships new features. MongoDB Search on Atlas handles core search needs while MongoDB Vector Search powers the Job Tailoring feature, which puts a candidate’s stored career profile side by side a specific job description and uses semantic matching to generate a resume optimized for that role. The integrated capabilities have had a direct impact on how quickly the team can ship, McCann says. “MongoDB’s hybrid search allows us to seamlessly query across literal and semantic text matches, a must-have when working with such diverse data,” McCann says. “This is something we could piece together using other solutions but with MongoDB it’s ready to go on top of our existing data layer.” The consolidation of database, search, and vector capabilities into a single platform is what allows the team to punch above its weight. Huntr considers MongoDB the fourth member of its engineering team, McCann adds. Looking ahead, the platform is building toward AI that learns from a candidate’s full professional history over time, delivering more personalized guidance with every interaction. The digital native blueprint These success stories become a definitive \"digital native blueprint\" for the agentic era, built on three core pillars. First, by unifying database, search, and vector storage into a single platform, these startups have effectively eliminated the architectural tax of complex data schemas that typically slows down development. This consolidation enables a level of fluidity that is now non-negotiable; AI agents require a modern data platform that can adapt as quickly as a natural language prompt evolves. The winners of the AI era will be the ones who build the most performant, durable, and flexible systems to support those models in production. As agentic workflows grow more sophisticated, the data foundation determines how fast a team can ship, how reliably agents can operate, and how quickly the platform can adapt when the landscape shifts again. Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/3twtDr24YRRBVT7yuHpIK\/e86b1a788196d08d7b16c389d9e64c83\/AdobeStock_815913346.jpeg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/data\/digital-native-startups-are-ditching-rigid-databases-for-their-agentic-stacks",
            "date": "2026-07-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تتخلى الشركات الرقمية الناشئة عن قواعد البيانات الصارمة لصالح مجموعاتها الوكلاءية",
            "summary_ar": "تُعرف الفجوة بين ما يمكن أن تنتجه نماذج الذكاء الاصطناعي والوكلاء وما يمكن أن تدعمه البنية التحتية القديمة بشكل موثوق باسم السحب المعماري، وهو عنق الزجاجة المحدد لعصر الوكلاء. يجب أن تتعامل طبقة البيانات الموجودة أسفل النظام الوكيل مع المخططات المتغيرة، ودمج المتجهات، والاسترجاع في الوقت الفعلي، ومقياس المستأجرين المتعددين، غالبًا في وقت واحد ودون تدخل بشري لإدارة عمليات الترحيل - ولكن قواعد البيانات العلائقية التقليدية لم تكن مصممة أصلاً لمرونة المستندات أو قدرات الذكاء الاصطناعي. تتطلب المخططات الثابتة تحديثات يدوية في كل مرة يقدم فيها وكيل الذكاء الاصطناعي شكل بيانات جديدًا، بينما تضيف قواعد البيانات المتجهة المنفصلة زمن الوصول وحمل المزامنة. قامت ثلاث شركات رقمية ناشئة - Huntr، وModelence، وTavily - بحل هذه المشكلة بنفس الطريقة:",
            "body_ar": "تُعرف الفجوة بين ما يمكن أن تنتجه نماذج الذكاء الاصطناعي والوكلاء وما يمكن أن تدعمه البنية التحتية القديمة بشكل موثوق باسم السحب المعماري، وهو عنق الزجاجة المحدد لعصر الوكلاء. يجب أن تتعامل طبقة البيانات الموجودة أسفل النظام الوكيل مع المخططات المتغيرة، ودمج المتجهات، والاسترجاع في الوقت الفعلي، ومقياس المستأجرين المتعددين، غالبًا في وقت واحد ودون تدخل بشري لإدارة عمليات الترحيل - ولكن قواعد البيانات العلائقية التقليدية لم تكن مصممة أصلاً لمرونة المستندات أو قدرات الذكاء الاصطناعي. تتطلب المخططات الثابتة تحديثات يدوية في كل مرة يقدم فيها وكيل الذكاء الاصطناعي شكل بيانات جديدًا، بينما تضيف قواعد البيانات المتجهة المنفصلة زمن الوصول وحمل المزامنة. قامت ثلاث شركات ناشئة رقمية أصلية - Huntr، وModelence، وTavily - بحل هذه المشكلة بنفس الطريقة: من خلال الاعتماد على MongoDB Atlas، وهي منصة قاعدة بيانات موحدة مع بحث متجه أصلي، وبحث مختلط، وقياس تلقائي مُدار. تحدد تجاربهم كيف تبدو مكدسة البيانات الأصلية للوكيل في الإنتاج، ولماذا يتيح استخدام Atlas للمطورين إنشاء شركات أصلية معقدة تعمل بالذكاء الاصطناعي بسهولة. Modelence: بناء السحابة الأصلية للوكيل Modelence هي أداة إنشاء تطبيقات الذكاء الاصطناعي مع إطار عمل مفتوح المصدر مصمم خصيصًا لتطوير الوكيل الأصلي، مما يمكّن أي شخص من إنشاء ونشر تطبيقات الويب الجاهزة للإنتاج، بما في ذلك واجهات برمجة التطبيقات وقواعد البيانات، في دقائق. أدركت الشركة في وقت مبكر أن معظم البنية التحتية الخلفية تم تصميمها للبشر، وليس الذكاء الاصطناعي، وأن إدارة المخطط الصارمة وعمليات الترحيل المعقدة للأنظمة التقليدية تخلق سحبًا تشغيليًا يتسبب في فشل الوكلاء عند محاولة إنشاء تطبيقات جاهزة للإنتاج. يقول آرام شاتاختسيان، المؤسس المشارك والرئيس التنفيذي لشركة Modelence، \"لقد ساعدنا اختيار MongoDB في الاحتفاظ بكل شيء في مكان واحد، وهي خاصية مهمة لما نسعى جاهدين للقيام به من أجل مستخدمينا\". \"تدفقات البيانات المباشرة، والبحث عن المتجهات، كل ذلك كجزء من قاعدة البيانات الرئيسية. بالنسبة لوكلاء الذكاء الاصطناعي، من المهم بشكل خاص أن يكون لديك منصة واحدة حيث يمكن القيام بكل شيء، لأن ربط منصات متعددة معًا يجعلها أكثر عرضة للأخطاء.\" تم توحيد النمذجة في MongoDB Atlas لأن نموذج المستند الخاص بها يتوافق مع كيفية معالجة عملاء الذكاء الاصطناعي للبيانات وإنشاءها، مما يسمح للمخططات بالتطور بسرعة دون عمليات ترحيل يدوية. تجمع المنصة هذه المرونة مع طبقة مخطط مكتوبة في الأعلى، وهو قرار معماري متعمد. يقول شاتاختسيان: \"إن نموذج مستند MongoDB يمكّننا من إبقاء الأمور بسيطة وفي نفس الوقت تحديد مدى التنظيم الذي نريد أن يكون عليه كل شيء\". ما زلنا نضيف مخططًا مكتوبًا في الأعلى، مما يحسن بشكل كبير الدقة التي يمكن للذكاء الاصطناعي من خلالها إنشاء تطبيقات ويب موثوقة وعاملة بشكل كامل.\" ويضيف أن تكامل TypeScript كان له أهمية خاصة. \"نظرًا لأن أنواع وقيم MongoDB يمكن ترجمتها مباشرة إلى TypeScript، فإنها تصبح امتدادًا لإطار عمل Modelence ولدى أداة إنشاء التطبيقات لدينا مصدر واحد للحقيقة لكل من منطق التطبيق وقاعدة البيانات،\" يوضح شاتاختسيان. والنتيجة هي منصة يمكنها الانتقال من التخطيط إلى ميزة التشغيل المباشر في دقائق مع تراجعات أقل بكثير. ساعدت هذه السرعة والموثوقية شركة Modelence في جمع 3 ملايين دولار أمريكي من التمويل الأولي وإطلاق أداة إنشاء تطبيقات تعتمد على الذكاء الاصطناعي بنجاح والتي تتعامل مع دورة حياة التطبيق بالكامل من البداية إلى النهاية. Tavily: طبقة الوصول إلى الويب للوكلاء Tavily هي واجهة برمجة تطبيقات البحث المصممة خصيصًا لوكلاء الذكاء الاصطناعي، حيث تربطهم بمعرفة الويب الدقيقة في الوقت الفعلي وتبقيهم على دراية بما يحدث بالفعل، وليس في بيانات التدريب الثابتة. وعلى مقياس Tavily، يقوم كل طلب وكيل بالمصادقة والاسترداد والقياس دون احتكاك. وقد تطلب ذلك إنشاء بنية تحتية خلفية لاستيعاب التغيير دون انقطاع. يقول تومر فايس، قائد فريق البيانات في Tavily: \"على جانب المستخدم، يقوم كل طلب وكيل بالمصادقة والقياس مقابله\". \"على جانب البيانات، نستخدمها لتتبع دورة حياة كل مستند لمسناه على الإطلاق: متى تم جلبه، ومدى قديمه، وما هي إشارات الحداثة، ومدى شعبيته. يتيح لنا مخطط MongoDB المرن مواصلة تطوير تلك السجلات دون عمليات ترحيل مع ظهور مقاييس وميزات جديدة. هذا السجل الحي هو ما يبقي العملاء على أرض الواقع. يعني الإيجار المتعدد على نطاق Tavily إدارة الملايين من مفاتيح واجهة برمجة التطبيقات (API)، وملفات تعريف الاستخدام المتميزة، ومستويات الخطة، ومتطلبات الإقامة الإقليمية. لقد بنوا لهذا التعقيد منذ اليوم الأول. يوضح فايس: \"لقد قمنا بفصل المخاوف عبر المجموعات في وقت مبكر: مجموعة المستخدم\/الحساب المُحسّنة للمصادقة ذات زمن الوصول المنخفض وكتابة الاستخدام، ومجموعة مقسمة لحالة المستند حيث يكون محور القياس هو عناوين URL، وليس المستخدمين\". \"لقد أتى هذا الانفصال بثماره.\" ويقول إن الدرس الأكثر أهمية هو اختيار البنية التحتية التي لا تعاقب التغيير، والتي تؤدي إلى تفاقم المرونة. ويوضح قائلاً: \"إن مجال الذكاء الاصطناعي يتحرك بسرعة كبيرة بحيث أصبح التغيير هو المعيار السائد لدينا\". \"بالنسبة لشركة تخدم وكلاء الذكاء الاصطناعي، حيث تستمر أعباء العمل في تغيير شكلها، فقد تبين أن اختيار منصة بيانات لا تعاقب التغيير أكثر قيمة من أي ميزة واحدة.\" Huntr: من تعقب الوظائف إلى منصة التوظيف المعتمدة على الذكاء الاصطناعي Huntr.co، هي منصة لبناء السيرة الذاتية وتخصيصها تعمل بالذكاء الاصطناعي، وتساعد أكثر من 500000 باحث عن عمل في 190 دولة على صياغة تطبيقات أقوى وإدارة بحثهم. بالنسبة لفريق هندسي بسيط مكون من ثلاثة أشخاص، كان التحدي يتمثل في إيجاد قاعدة بيانات مرنة بما يكفي لتخزين التعقيد الكامل للتاريخ الوظيفي للشخص في هيكل يمكن للذكاء الاصطناعي قراءته والتفكير فيه والتوليد منه محليًا. يقول تريفور ماكان، كبير مهندسي البرمجيات في Huntr: \"إن أنواع البيانات المهنية التي نجمعها في Huntr تتوافق بشكل طبيعي مع نموذج مستند MongoDB\". \"المشكلة الأساسية التي نحلها باستخدام أدوات البحث عن الوظائف التي تعمل بالذكاء الاصطناعي هي كيفية إبراز صفات المرشح التي تجعله فريدًا. يجب أن نكون مستعدين لتخزين أي نوع من أنواع البيانات التي يريد المرشح تضمينها في مواده.\" قامت Huntr ببناء AI Resume Builder على MongoDB Atlas، حيث يعكس نموذج المستند الشكل الطبيعي لبيانات الوظيفة: متداخلة بعمق، ومتغيرة عبر المرشحين، وتتطور باستمرار مع توفير النظام الأساسي لميزات جديدة. يتعامل بحث MongoDB على Atlas مع احتياجات البحث الأساسية بينما يعمل MongoDB Vector Search على تشغيل ميزة تخصيص الوظائف، والتي تضع الملف الوظيفي المخزن للمرشح جنبًا إلى جنب مع وصف وظيفي محدد وتستخدم المطابقة الدلالية لإنشاء سيرة ذاتية مُحسّنة لهذا الدور. يقول ماكان إن القدرات المتكاملة كان لها تأثير مباشر على مدى سرعة قيام الفريق بالشحن. يقول ماكان: \"يسمح لنا البحث المختلط في MongoDB بالاستعلام بسلاسة عبر مطابقات النص الحرفية والدلالية، وهو أمر لا بد منه عند العمل مع مثل هذه البيانات المتنوعة\". \"هذا شيء يمكننا تجميعه معًا باستخدام حلول أخرى، ولكن مع MongoDB أصبح جاهزًا للانتقال إلى أعلى طبقة البيانات الحالية لدينا.\" إن دمج قدرات قاعدة البيانات والبحث والمتجهات في منصة واحدة هو ما يسمح للفريق بالتفوق على ثقله. ويضيف ماكان أن هانتر تعتبر MongoDB العضو الرابع في فريقها الهندسي. وبالنظر إلى المستقبل، تتجه المنصة نحو الذكاء الاصطناعي الذي يتعلم من التاريخ المهني الكامل للمرشح مع مرور الوقت، ويقدم إرشادات أكثر تخصيصًا مع كل تفاعل. المخطط الرقمي الأصلي تصبح قصص النجاح هذه \"مخططًا رقميًا أصليًا\" نهائيًا لعصر الوكلاء، مبنيًا على ثلاث ركائز أساسية. أولاً، من خلال توحيد قاعدة البيانات والبحث وتخزين المتجهات في منصة واحدة، تمكنت هذه الشركات الناشئة بشكل فعال من التخلص من العبء المعماري لمخططات البيانات المعقدة التي عادةً ما تؤدي إلى إبطاء عملية التطوير. يتيح هذا الدمج مستوى من السيولة أصبح الآن غير قابل للتفاوض؛ يحتاج وكلاء الذكاء الاصطناعي إلى منصة بيانات حديثة يمكنها التكيف بسرعة مع تطور موجه اللغة الطبيعية. سيكون الفائزون في عصر الذكاء الاصطناعي هم أولئك الذين يبنون الأنظمة الأكثر أداءً واستدامة ومرونة لدعم تلك النماذج في الإنتاج. مع تزايد تطور مسارات عمل الوكلاء، يحدد أساس البيانات مدى سرعة قيام الفريق بالشحن، ومدى موثوقية عمل الوكلاء، ومدى سرعة تكيف النظام الأساسي عندما يتغير المشهد مرة أخرى. المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/build-for-the-new-ai-era-with-microsoft-and-nvidia",
            "title_en": "Build for the new AI era with Microsoft and NVIDIA",
            "summary_en": "Presented by Microsoft and NVIDIA Every generation of leaders has its own business transformation challenges to face. A decade ago, modernization meant cloud migration. Five years ago, it meant enabling remote and hybrid work. And just a few short years ago, the generative AI boom prompted organizations globally into enterprise AI adoption. The demo era is ending In the years since AI became the big new buzzword, generative models proved to be a crucial stepping stone, but the path to Frontier Transformation is agentic AI. Machine-generated answers aren’t enough when what the business really needs is sophisticated AI that can act . Experimenting with agentic capabilities was a necessary step; prototypes and pilots have proliferated. But the chapter on demos is closing. Scale acceleration i",
            "body_en": "Presented by Microsoft and NVIDIA Every generation of leaders has its own business transformation challenges to face. A decade ago, modernization meant cloud migration. Five years ago, it meant enabling remote and hybrid work. And just a few short years ago, the generative AI boom prompted organizations globally into enterprise AI adoption. The demo era is ending In the years since AI became the big new buzzword, generative models proved to be a crucial stepping stone, but the path to Frontier Transformation is agentic AI. Machine-generated answers aren’t enough when what the business really needs is sophisticated AI that can act . Experimenting with agentic capabilities was a necessary step; prototypes and pilots have proliferated. But the chapter on demos is closing. Scale acceleration is beginning. In 2026, organizations that want to see agentic results that impact the bottom line must move from the knowledge layer to the action layer. And they certainly intend to—according to Deloitte’s 2026 AI report , 54% of enterprises surveyed expect to move 40% or more of their AI experiments into production. How hard could it be? Agents are a different engineering problem—here’s why Moving past prototype is the hardest part. Shipping an agent to production isn’t just a harder version of shipping a generative AI chatbot. Agentic production is a different engineering problem altogether, requiring orchestration, memory, runtime isolation, and ground-up observability—all required to deliver an agent that reasons, acts, and collaborates. Once an agent moves into production, every tool and data source becomes an integration challenge. Running the agent requires isolation between sessions, durable state, and runtimes that hold up under a working load. And operational blindness turns agentic assets into liabilities. Once an agent is live, you need the ability to monitor, understand, and troubleshoot its systems across its lifecycle—a whole new discipline of observability is required, but teams don’t know how to get there. But we’ve been here before. When microservices faced a similar crossroads a decade ago, the lesson was this: those who recognized the need for a platform approach are the ones with the best success. The production gap: Why most agent projects stall before scale Moving from demos to real-world deployment introduces a host of challenges: how to chain multiple steps together reliably, how to ensure security and identity across agent components, how to monitor and improve agent behavior, and more. Many teams attempt to address these challenges with custom scaffolding, but the risk is often greater than the reward—slower time to value, gaps, and unreliability. This is where the platform approach comes in. Without shared context and intrinsic trust, AI is difficult to rely on and hard to scale, with data fragmentation keeping production agents from matching pilot performance. Agents lack business context, enterprise signals are fragmented, development is complex and brittle, and security and governance are bolted on. The solution is a unified platform that empowers developers to build, run, and scale agentic and physical AI end-to-end. Together, Microsoft and NVIDIA partner to enable this platform approach, helping enterprises effectively take agents from pilot to production. What an agent factory actually looks like Frontier Firms are those that not only successfully take agents into production but that also understand monolithic agents aren’t enough—a system of collaborative agents is key. They are the ones building agent factories, operating on a production philosophy that utilizes a reliable foundation and repeatable process for cross-functional, collaborative agentic solutions at enterprise scale. So what is an agent factory? It’s a coordinated production architecture that combines an agentic control plane with accelerated specialist models, agents, and skills, allowing organizations to enable a governed system of models and agents at enterprise scale. Within this production system, Frontier Firms are building heterogenous systems of agents, where the right models, tools, skills, and specialist agents are appropriately orchestrated at the right step of every job. The result is broad-reasoning frontier agents that plan, synthesize, and collaborate with users and other agents while accelerated specialist models and agents execute domain-specific work with speed and efficiency. Microsoft and NVIDIA jointly empower this agentic factory approach. Microsoft delivers the enterprise control plane enabling runtime, identity, governance, observability, data access, and tool connectivity that agents need to collaborate safely. NVIDIA delivers the intelligence, acceleration, and specialist layers that give enterprises a repeatable way to move from isolated demos to governed, scalable agentic systems that can work together across business processes to accomplish meaningful tasks, not just answer questions. At Microsoft Build 2026 , Microsoft and NVIDIA showed how this architecture is coming together across cloud, local, and developer environments, bringing NVIDIA models, blueprints, and tooling into the Microsoft ecosystem to enable systems of agents with governance and speed: NVIDIA models are now on the hosted agents in Foundry Agent Service. NVIDIA’s open model portfolio on Foundry now spans agentic, physical, and scientific AI. NVIDIA Agent Toolkit and NVIDIA NemoClaw blueprints give developers an open-source platform to build production agents on Foundry. Foundry Local on Azure Local is now on the NVIDIA RTX PRO 6000 Blackwell Server Edition platform. NVIDIA OpenShell integrates with GitHub Copilot for secure agent development. You can read more about these announcements here . Where to go from here The organizations that win with agentic AI will be the ones that invest in a factory approach. Ready to take the next step on your agentic journey? Explore these resources: Dive deeper into the Microsoft Agent Factory —read the Agent Factory blog series . See how developers accelerate AI deployment with NVIDIA NIM microservices for high-performance AI. Learn more about Microsoft and NVIDIA’s latest developments for success with agentic AI—read the announcements from Microsoft Build 2026 . See how NVIDIA Nemotron 3 Ultra powers faster, more efficient reasoning for long-running agents. To discuss your Microsoft Foundry needs or learn more, contact us here . Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/5YSzXRQOvNPvyM8JCXMPN9\/88a3601bc98acede3a18cb6b41ec00a8\/Microsoft-Build_Agent-Factory-Article_1200x675_2.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/build-for-the-new-ai-era-with-microsoft-and-nvidia",
            "date": "2026-07-06",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "صمم لعصر الذكاء الاصطناعي الجديد مع Microsoft وNVIDIA",
            "summary_ar": "مقدمة من Microsoft وNVIDIA يواجه كل جيل من القادة تحدياته الخاصة في مجال تحويل الأعمال. قبل عقد من الزمن، كان التحديث يعني الهجرة السحابية. قبل خمس سنوات، كان ذلك يعني تمكين العمل عن بعد والمختلط. وقبل بضع سنوات فقط، دفعت طفرة الذكاء الاصطناعي التوليدي المؤسسات على مستوى العالم إلى اعتماد الذكاء الاصطناعي المؤسسي. عصر العرض التجريبي على وشك الانتهاء في السنوات التي تلت أن أصبح الذكاء الاصطناعي الكلمة الطنانة الجديدة الكبيرة، أثبتت النماذج التوليدية أنها نقطة انطلاق حاسمة، ولكن الطريق إلى التحول الحدودي هو الذكاء الاصطناعي الفاعل. إن الإجابات التي يتم إنشاؤها بواسطة الآلة ليست كافية عندما يكون ما تحتاجه الشركة حقًا هو الذكاء الاصطناعي المتطور الذي يمكنه العمل. كانت تجربة القدرات الوكيلة خطوة ضرورية؛ لقد انتشرت النماذج الأولية والطيارين. لكن الفصل الخاص بالعروض التوضيحية يقترب من الإغلاق. تسارع النطاق",
            "body_ar": "مقدمة من Microsoft وNVIDIA يواجه كل جيل من القادة تحدياته الخاصة في مجال تحويل الأعمال. قبل عقد من الزمن، كان التحديث يعني الهجرة السحابية. قبل خمس سنوات، كان ذلك يعني تمكين العمل عن بعد والمختلط. وقبل بضع سنوات فقط، دفعت طفرة الذكاء الاصطناعي التوليدي المؤسسات على مستوى العالم إلى اعتماد الذكاء الاصطناعي المؤسسي. عصر العرض التجريبي على وشك الانتهاء في السنوات التي تلت أن أصبح الذكاء الاصطناعي الكلمة الطنانة الجديدة الكبيرة، أثبتت النماذج التوليدية أنها نقطة انطلاق حاسمة، ولكن الطريق إلى التحول الحدودي هو الذكاء الاصطناعي الفاعل. إن الإجابات التي يتم إنشاؤها بواسطة الآلة ليست كافية عندما يكون ما تحتاجه الشركة حقًا هو الذكاء الاصطناعي المتطور الذي يمكنه العمل. كانت تجربة القدرات الوكيلة خطوة ضرورية؛ لقد انتشرت النماذج الأولية والطيارين. لكن الفصل الخاص بالعروض التوضيحية يقترب من الإغلاق. يبدأ تسارع النطاق. في عام 2026، يجب على المؤسسات التي ترغب في رؤية نتائج فعالة تؤثر على النتيجة النهائية أن تنتقل من طبقة المعرفة إلى طبقة العمل. ومن المؤكد أنهم يعتزمون ذلك - وفقًا لتقرير ديلويت لعام 2026 حول الذكاء الاصطناعي، فإن 54% من الشركات التي شملتها الدراسة تتوقع نقل 40% أو أكثر من تجارب الذكاء الاصطناعي الخاصة بها إلى الإنتاج. ما مدى صعوبة الأمر؟ يمثل الوكلاء مشكلة هندسية مختلفة، ولهذا السبب يعد تجاوز النموذج الأولي هو الجزء الأصعب. إن شحن الوكيل إلى الإنتاج ليس مجرد نسخة أصعب من شحن روبوت محادثة يعمل بالذكاء الاصطناعي. يعد الإنتاج الوكيل مشكلة هندسية مختلفة تمامًا، حيث يتطلب التنسيق والذاكرة والعزل في وقت التشغيل وإمكانية المراقبة من الأرض إلى القمة - كل ذلك مطلوب لتقديم وكيل يفكر ويتصرف ويتعاون. بمجرد انتقال الوكيل إلى مرحلة الإنتاج، تصبح كل أداة ومصدر بيانات تحديًا للتكامل. يتطلب تشغيل الوكيل العزل بين الجلسات، والحالة الدائمة، وأوقات التشغيل التي تصمد تحت عبء العمل. والعمى التشغيلي يحول الأصول الوكيلة إلى التزامات. بمجرد أن يصبح الوكيل موجودًا، فإنك تحتاج إلى القدرة على مراقبة أنظمته وفهمها واستكشاف الأخطاء وإصلاحها عبر دورة حياته - مطلوب نظام جديد تمامًا لقابلية المراقبة، لكن الفرق لا تعرف كيفية الوصول إلى هناك. لكننا كنا هنا من قبل. عندما واجهت الخدمات المصغرة مفترق طرق مماثل قبل عقد من الزمن، كان الدرس المستفاد هو أن أولئك الذين أدركوا الحاجة إلى نهج النظام الأساسي هم الذين حققوا أكبر قدر من النجاح. فجوة الإنتاج: لماذا تتوقف معظم مشاريع الوكلاء قبل التوسع يؤدي الانتقال من العروض التوضيحية إلى النشر في العالم الحقيقي إلى تقديم مجموعة من التحديات: كيفية ربط خطوات متعددة معًا بشكل موثوق، وكيفية ضمان الأمان والهوية عبر مكونات الوكلاء، وكيفية مراقبة سلوك الوكيل وتحسينه، والمزيد. تحاول العديد من الفرق معالجة هذه التحديات باستخدام سقالات مخصصة، لكن المخاطرة غالبًا ما تكون أكبر من المكافأة - وقت أبطأ للتقييم، والفجوات، وعدم الموثوقية. وهنا يأتي دور نهج النظام الأساسي. فبدون السياق المشترك والثقة الجوهرية، يصعب الاعتماد على الذكاء الاصطناعي ويصعب توسيع نطاقه، حيث يؤدي تجزئة البيانات إلى منع وكلاء الإنتاج من مطابقة الأداء التجريبي. يفتقر الوكلاء إلى سياق الأعمال، وإشارات المؤسسة مجزأة، والتطوير معقد وهش، ويتم تثبيت الأمن والحوكمة. الحل عبارة عن نظام أساسي موحد يمكّن المطورين من إنشاء وتشغيل وتوسيع نطاق الذكاء الاصطناعي الفعلي والمادي من البداية إلى النهاية. تتعاون Microsoft وNVIDIA معًا لتمكين نهج النظام الأساسي هذا، مما يساعد المؤسسات على نقل الوكلاء بشكل فعال من مرحلة الإصدار التجريبي إلى مرحلة الإنتاج. إن الشكل الذي يبدو عليه مصنع الوكلاء في الواقع هو أن الشركات الحدودية هي تلك التي لا تأخذ الوكلاء بنجاح إلى الإنتاج فحسب، بل تدرك أيضًا أن الوكلاء المتجانسين ليسوا كافيين - فنظام الوكلاء المتعاونين هو المفتاح. إنهم هم مصانع وكلاء البناء، الذين يعملون وفقًا لفلسفة الإنتاج التي تستخدم أساسًا موثوقًا وعملية قابلة للتكرار للحلول الوكيلة التعاونية متعددة الوظائف على نطاق المؤسسة. إذن ما هو مصنع الوكيل؟ إنها بنية إنتاج منسقة تجمع بين مستوى التحكم الوكيل والنماذج والوكلاء والمهارات المتخصصة المتسارعة، مما يسمح للمؤسسات بتمكين نظام محكوم من النماذج والوكلاء على نطاق المؤسسة. ضمن نظام الإنتاج هذا، تقوم الشركات الحدودية ببناء أنظمة غير متجانسة من الوكلاء، حيث يتم تنسيق النماذج والأدوات والمهارات والوكلاء المتخصصين المناسبين بشكل مناسب في الخطوة الصحيحة من كل وظيفة. والنتيجة هي وكلاء حدوديون واسعو التفكير يقومون بالتخطيط والتوليف والتعاون مع المستخدمين والوكلاء الآخرين بينما تقوم النماذج والوكلاء المتخصصين المتسارعون بتنفيذ العمل الخاص بالمجال بسرعة وكفاءة. تقوم Microsoft وNVIDIA بشكل مشترك بتمكين نهج المصنع الوكيل هذا. تقدم Microsoft مستوى التحكم المؤسسي الذي يتيح وقت التشغيل والهوية والحوكمة وإمكانية المراقبة والوصول إلى البيانات واتصال الأدوات التي يحتاجها الوكلاء للتعاون بأمان. توفر NVIDIA الذكاء والتسريع والطبقات المتخصصة التي تمنح المؤسسات طريقة قابلة للتكرار للانتقال من العروض التوضيحية المعزولة إلى أنظمة وكيلة محكومة وقابلة للتطوير يمكنها العمل معًا عبر العمليات التجارية لإنجاز مهام ذات معنى، وليس مجرد الإجابة على الأسئلة. في Microsoft Build 2026، أظهرت Microsoft وNVIDIA كيف تجتمع هذه البنية معًا عبر البيئات السحابية والمحلية والمطورة، مما يؤدي إلى جلب نماذج NVIDIA ومخططاتها وأدواتها إلى نظام Microsoft البيئي لتمكين أنظمة الوكلاء ذات الإدارة والسرعة: أصبحت نماذج NVIDIA الآن على الوكلاء المستضافين في Foundry Agent Service. تشمل محفظة النماذج المفتوحة لـ NVIDIA على Foundry الآن الذكاء الاصطناعي الفاعل والمادي والعلمي. توفر مجموعة أدوات NVIDIA Agent Toolkit ومخططات NVIDIA NemoClaw للمطورين منصة مفتوحة المصدر لبناء وكلاء الإنتاج على Foundry. Foundry Local على Azure Local موجود الآن على النظام الأساسي NVIDIA RTX PRO 6000 Blackwell Server Edition. يتكامل NVIDIA OpenShell مع GitHub Copilot لتطوير الوكيل بشكل آمن. يمكنك قراءة المزيد عن هذه الإعلانات هنا. إلى أين نتجه من هنا؟ إن المؤسسات التي تفوز باستخدام الذكاء الاصطناعي الوكيل هي التي تستثمر في نهج المصنع. هل أنت مستعد لاتخاذ الخطوة التالية في رحلتك الوكيلة؟ استكشف هذه الموارد: تعمق في Microsoft Agent Factory - اقرأ سلسلة مدونات Agent Factory. تعرف على كيفية قيام المطورين بتسريع نشر الذكاء الاصطناعي باستخدام خدمات NVIDIA NIM الصغيرة للحصول على ذكاء اصطناعي عالي الأداء. تعرف على المزيد حول أحدث تطورات Microsoft وNVIDIA لتحقيق النجاح باستخدام الذكاء الاصطناعي الوكيل - اقرأ الإعلانات من Microsoft Build 2026. تعرف على كيفية قيام NVIDIA Nemotron 3 Ultra بتشغيل التفكير المنطقي بشكل أسرع وأكثر كفاءة للوكلاء الذين يعملون لفترة طويلة. لمناقشة احتياجات Microsoft Foundry الخاصة بك أو لمعرفة المزيد، اتصل بنا هنا. المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/07\/02\/1138433\/building-the-foundation-for-an-autonomous-enterprise\/",
            "title_en": "Building the foundation for an autonomous enterprise",
            "summary_en": "Artificial intelligence may have captured the public imagination through chatbots and image generators, but some of its most consequential use cases are unfolding far from consumer-facing tools. In industries where physical infrastructure, operational continuity, and safety are paramount, AI is becoming a core operating layer. With its sprawling industrial systems and constant stream of operational data, the energy sector offers a glimpse into what that future could look like. At Woodside Energy, AI adoption did not begin with generative models or enterprise copilots. The company has spent years building predictive analytics, optimization systems, and machine learning tools across exploration, drilling, maintenance, and plant operations. “We’ve always had very large volumes of operational ",
            "body_en": "Artificial intelligence may have captured the public imagination through chatbots and image generators, but some of its most consequential use cases are unfolding far from consumer-facing tools. In industries where physical infrastructure, operational continuity, and safety are paramount, AI is becoming a core operating layer. With its sprawling industrial systems and constant stream of operational data, the energy sector offers a glimpse into what that future could look like. At Woodside Energy, AI adoption did not begin with generative models or enterprise copilots. The company has spent years building predictive analytics, optimization systems, and machine learning tools across exploration, drilling, maintenance, and plant operations. “We’ve always had very large volumes of operational data coming from the equipment and the plants and the assets that we operate,” says the company’s vice president for digital Andrew Melouney. “Those have created really clear, quite high-value use cases for us.” That long-term investment in infrastructure and governance is now enabling a broader shift toward agentic AI systems that can support complex industrial workflows. Rather than replace human operators, Woodside designs AI systems to augment expertise in high-stakes environments. A prime example is its “Startup Advisor,” an AI copilot that helps operators manage the complex process of starting liquefied natural gas (LNG) plants. “We’re really thinking about, how does it support the people in the organization in terms of empowering them to make better decisions, to make faster decisions,” Melouney explains. The company’s approach reflects a wider evolution taking place across industrial AI: graduating from isolated experiments to enterprise-wide systems built on standardized platforms, governed data, and repeatable deployment patterns. That transition, Melouney argues, requires organizations to rethink both their technology stacks and how work itself gets done. “We’re not just bolting AI onto an existing process,” he says. “We’re deeply thinking about how that work needs to be reimagined.” Melouney’s motto has become: “Think big, prototype small, and scale fast.” As AI systems become more autonomous and interconnected, the companies poised to succeed may be those that spent years building the operational foundations beneath the hype. “Our ambition is really for an autonomous enterprise, where we have agents with agency that are able to really deeply interact with our core workflows,” says Melouney. This episode of Business Lab is produced in partnership with Infosys. Full Transcript: Megan Tatum: From MIT Technology Review, I’m Megan Tatum, and this is Business Lab, the show that helps business leaders make sense of new technologies coming out of the lab and into the marketplace. This episode is produced in partnership with Infosys. Now, when people think about artificial intelligence, they often picture chatbots or productivity tools, but some of the most sophisticated and high impact uses of AI are actually happening far from consumer apps, inside complex industrial environments where safety, reliability, and physical systems matter. The global energy sector is a prime example. Companies like Woodside Energy, a global energy producer headquartered in Western Australia, have been applying AI for more than a decade now, from advanced analytics and operations, to remote decision support, to smarter maintenance, and energy efficiency across large scale assets. Today, Woodside is scaling that experience, embedding AI more deeply across its operations and the enterprise with a strong focus on governance, data quality, and human accountability. Two words for you: technological fuel. My guest today is Andrew Melouney, vice president for digital at Woodside Energy. Welcome, Andrew. Andrew Melouney: Thanks, Megan. It’s great to be here. Megan: Lovely to have you. Now, Andrew, as I said there, the energy sector has approached AI quite differently from technology or consumer businesses. Early value has emerged in operational and industrial environments, rather than consumer-facing generative AI tools. Why is that? And what differentiates the energy sector’s AI journey? Andrew: Megan, I think it really comes down to the nature of the work we do. Energy operations and what Woodside does is very asset intensive, it’s very safety critical, and it’s highly physical. And when you think about how Woodside operates, we operate across the full value chain. We do exploration through to drilling and subsurface work, to project development, all the way through to operating assets, which are often operated in harsh and remote locations, and then global energy portfolio marketing and trading as well. We’ve always had very large volumes of operational data coming from the equipment and the plants and the assets that we operate, and those have created really clear, quite high-value use cases for us. When you think about reliability, when you think about safety and efficiency, those are really critical things for a company like Woodside. We’ve been doing traditional AI for many years now. If you think about analytics, if you think about optimization, if you think about things like predictive models, those techniques we’ve been applying to our data sets and to our business since around 2015. And more recently with the advent of generative AI, we’ve really found that we’ve got a pretty strong and awesome foundation to build on top of and to really solve problems in the service of improving the business. And again, whether that is keeping people safe, keeping the environments we operate in safe, or improving returns for the organization. Megan: Fantastic. I mean you touched on it there, but how has this reality shaped your own AI strategy at Woodside? Where did you start, and where did the technology prove most impactful in those early days? Andrew: Well, like I said, we’ve had a very long journey, in terms of understanding our operational data, recognizing the value of it, and collecting it at scale so that we can use it. And we’ve been very deliberate in that approach, Megan. We’ve really thought about where the value is and where the risks were manageable. And we’ve started looking at, in today’s world from an agentic AI perspective, we’ve started looking at the problems that were solved with traditional AI and machine learning and data science in the past. And we’ve started to think about, where can we then layer agentic AI over the top to provide an even better outcome? For our asset intensive industry and organization, we’re looking at areas such as maintenance optimization. We’re looking at areas such as, how do we ensure our LNG plants start up reliably, consistently, and safely? And we’re considering really our frontline workforce and making sure that we’re giving people on the frontline the tools required to do their jobs. When we think about AI, we’re really thinking about, how does it support the people in the organization in terms of empowering them to make better decisions, to make faster decisions? I think over time, this has just evolved from what has been traditional analytics to now artificial intelligence and generative AI. And we’ve learned along the way that the technology is important, but it’s about aligning people, processes, and the technology together. We’ve spent a long time not only in collecting the data and having a well-curated data set that we can build on top of, but we’ve also spent a lot of time teaching people how to work in agile ways, how to do design thinking, how to problem solve, and how to really make sure that the technology that, say, my team can bring to bear to the organization is adopted effectively and purposefully. And I think once we had that solid foundation in place from a technology perspective, from a data perspective, once we got strong trust built between our digital teams and the organization, we really saw quite a material uptick and the scaling of technology occur more broadly across the enterprise. Megan: Fantastic. That people piece so important, isn’t it? It’s just a tool, technology, that needs to be in the right hands. And you touched on data there; industrial AI obviously depends on vast amounts of data. Can you walk us through how you’ve approached data at Woodside in a little more detail? How it’s structured and governed, and how tools like maintenance intelligence as well fit into that. Andrew: Well, data is really foundational and fundamental to everything we do, particularly from a technology perspective. It gives us the ability to innovate at pace when we are building over the top of a strong foundation. As I said before, we’ve had the benefit of a long-term investment in our underlying operational data. I think the way we think about data is that it’s an asset for us. And when you think about operating a facility where you’ve got sensors everywhere, you’ve got data streaming in real time, you’ve got operators needing to make decisions in real time, we have consciously made a decision over many, many years to invest in that enterprise scale data platform to make sure that it’s secure. We’ve got well-structured data assets, and we’ve got strong governance over the top of that data so that when it is used, when it’s built in a data science application or an AI agent, that we’ve got a level of trust in it that it’s going to be used responsibly. And that when it’s used, it can be trusted to give the outcome that we expect. We have developed platforms that continuously ingest really high frequency data from the assets and from our enterprise systems. Once we’ve been able to develop solutions on top of that, parts of the business that might own the systems that collect that data, they see the value in it. When you look at something like maintenance intelligence is a really good example of how we’ve been able to take something that we’ve been working on for a long time. Woodside does a lot of maintenance, it’s a very important part of our business, and it occurs across all of our operating assets. But we have been looking at how we do predictive analytics and predictive maintenance for a long time across that data set that we own. And something like maintenance intelligence is a solution that gives us the ability to optimize how we do that maintenance. And what it does is it analyzes historical maintenance records, alongside the performance of the equipment. And again, by having that data set well-governed and in one place, we get the ability to correlate different data sets, such as maintenance records out of SAP, alongside say equipment and performance coming from our time series data lake. And when we build over the top of that, something like maintenance intelligence gives us the opportunity to recommend to the assets what the optimal timing for maintenance activities might be, and really give what is quite a simple aim, which is do the right work at the right time. And with something like maintenance intelligence, we have seen the opportunity, and we have the opportunity to reduce maintenance hours by up to 15% over five years on one of the assets that we’ve piloted this on. And as we’ve built out that underlying analytical model, we’re now able to put agentic AI over the top of that and provide better insights and optimize that solution more. It really comes down to providing our asset teams and our operational teams with the right decision support capability that ensures they’re still accountable to make the decision and to ensure the right work is being done, but we are giving them the best possible opportunity to use their judgment and experience with the data that we provide to make the right decision. Megan: Sounds like a really impactful change. Last year also marked a milestone in moving from early AI learnings to scale, using AI more deliberately as a force multiplier. What transition were you trying to make and how did you approach it? Andrew: Well, Megan, we’ve had a philosophy for a long time in Woodside from an innovation perspective, where we really want to think big, we want to prototype small, and we want to scale fast. We want to find big opportunities that we can go after, but we want to ensure that we look at how we deploy those on a small scale first, and then provide the right learning and insight that then can scale it everywhere. Something like maintenance intelligence is a good example of that, or our Startup Advisor, where we know that we’ve got multiple plants that we need to start up. We know that we’ve got multiple assets that need to do maintenance, so we have a big, bold ambition about how we can improve and optimize that. We start with a small prototype; it might be one subsystem, it might be just a part of an asset, and then we scale it out, we learn, and we scale faster. I think from an AI learning perspective, one of the key things we’ve learned is really the transition from moving from isolated AI solutions to a more coordinated enterprise-wide capability. If you look back maybe 18 months, two years, in our generative AI journey, we rarely started by deploying AI as broadly as we could in the organization from a personal productivity perspective. And probably being quite open in terms of the problems that we will solve, the business problems that we’ll solve with AI. That had a lot of benefits for us in terms of allowing our organization to get to know AI, get to know the capabilities, to build the trust in it. What we’ve learned though is that we’ve needed to pivot from that to being a little bit tighter in terms of where we are going to invest our time and resources and more higher value solutions. How do we then enable and empower the rest of the organization so that they can actually effectively problem solve with technology in their domain or in their personal productivity without having to come to a central team? When we think about that, think big, prototype small, scale fast, has been something really important for us. The transition from a more broader approach to use case development and solution development to now a narrower focus on the high value priorities. We’ve seen that paying dividends to us and allowing us to go after solutions and opportunities, things like Startup Advisor. And so our Startup Advisor is a agentic AI solution that really aims to optimize and empower and better support our operators that sit in front of a panel and have to start up LNG plants, which are incredibly technical facilities and require really specialist skills to start up. And so our Startup Advisor is almost like a copilot that sits alongside those operators, and it gives them the ability to be able to play back previous startups. It gives them the ability to look at how the current startup is progressing, and it provides them better insights to optimize how they start up that facility. And again, starting up an LNG facility is incredibly complex. Megan: I can imagine. Andrew: When we think about opportunities like Startup Advisor, again, it goes back to that think big, prototype small, and scale fast. We started with a very bold vision of, how do we start up all of our LNG plants in a much more structured and optimized fashion? How do we better support our panel operators? How do we make, say, a more junior panel operator have a copilot that can help them almost like an experienced panel operator sitting next to them? And when we think about that vision and the ability then to prototype on a small scale and then scale fast, I think it’s been really successful for us. As we scale, we’ve just naturally expanded into more agent-based solutions. Today, we’ve got around 50 AI agents in production, supporting both our operating assets and our enterprise workflows. These tools have been proven in live environments, and we have really seen the benefit of being able to shift from point solutions that maybe solve small scale problems in specific areas, to AI and agentic solutions with agency that can really work across our workflows. We’re able to do this because we’ve standardized on the platform that we build on and we’ve got repeatable patterns. That’s been another really important learning for us, is that we don’t want to build 50 solutions in 50 different ways. We really want to be empowering our organization and our technical teams and the users of our solutions to roll them out quickly, to roll them out safely, and to do it in a patternized and platform manner. But the last point I’ll make, Megan, from a learning perspective is that we’ve really understood that a strong governance around how AI is deployed and developed is critical for us, and it’s critical for us to go fast as well. The traditional ways of governing how we roll out different solutions or digital systems isn’t going to scale to the breadth that we need when we are thinking about AI. Being able to have a clear philosophy around how we innovate, transitioning from isolated solutions to that enterprise-wide capability, and making sure that we’ve got strong platforms with strong patterns and clear governance are the three really critical things that we’ve learned. Megan: Such important pillars, all of them. And you’ve been working with Infosys on this journey. How has that partnership helped accelerate scaling and embedding AI across the business? Andrew: Well, Infosys is our managed service provider, and so they play a really critical role in the operations of our core business. One of the things that I like to say is that our license to innovate is based on our license to operate. And so, for my team to be able to turn up to an operating asset or a corporate function and have the trust that’s needed to be able to innovate and reimagine and redesign how work gets done, to be able to do that, we need to make sure that our core platforms, our core systems, our applications are running really reliably, safely, and consistently every day. Having an experienced partner like Infosys looking after those core operations in partnership with our internal teams is really, really important to us. As we move from pilots to enterprise-wide deployment, the ability to partner with someone like Infosys also gives us the ability to scale. And so being from Perth and Western Australia, while we’ve got a really strong local team in Western Australia, and we’ve also got a very strong team in some of our other operating locations, like everyone, we’re struggling to find people that can fill AI roles. Being able to partner with Infosys and have a number of different operating models at our disposal becomes really important for us. Having co-mingled teams where they are staff, they are Infosys staff, Woodside staff, and some of our other partners, really just brings diversity of thought and experience to how we solve problems. Fundamentally, the partnership has allowed us to operate and innovate with more confidence. While Woodside always retains ownership of the strategy and where we’re going and the governance and my teams remain accountable for the outcomes, we can’t do what we do without strong partnerships like the one we have with Infosys. Megan: Fantastic. And as AI adoption scales, you mentioned yourself, governance becomes increasingly important. How challenging has that been, and what guardrails have you put in place at Woodside? Andrew: So, Megan, governance is really important to us, and we operate in a well-regulated environment. That means we’ve got to make really deliberate and well-reasoned decisions when we’re thinking about how we deploy technology into our organization, whether it’s artificial intelligence or anything else, for that matter. And so, governance is really central to how we approach the execution of our AI strategy at Woodside. We’ve got maybe two or three really key things that we’ve put in place. The first one is just making sure that every AI use case goes through a structured assessment, and that’s making sure it meets our privacy controls, our cyber controls. We’re also asking the question, not just, could we do this, but should we do this? We’ve really got to bring together safety, ethics, transparency, accountability, and make sure that we make an informed decision. When an AI solution is going through that structured assessment, if there are concerns about how we might use that solution, it then goes to an AI council that’s made up of senior leaders across the organization. That council and that group really oversee some of the prioritization and risk management. That’s where we can have really strong, robust debates around, again, could we do something, should we do it, and how do we mitigate any of the risks that we might introduce here? I think the last one, Megan, is really around lifecycle management. When you start thinking about, we’ve got 50 at the moment, but if we had 500 agents working in our organization, really amplifying the experience and the decision-making and the value creation of our staff, we really want to have an ability to manage the lifecycle of how those agents operate. We want to know, how many people are using them? What’s the efficacy and the outcome? Is there model drift? Do we need to retune or retrain? I think that’s an area where many organizations, including Woodside, are still leaning into and still figuring out the best way to do this. We can do it quite easily with 50 agents, but 500, 5,000, 50,000 becomes an opportunity for us. Again, thinking about how we partner with others, solving problems like that really present an opportunity to co-create and to co-solve with some of our partners, like with Infosys. Megan: Fantastic. Just to close, what’s your long-term vision for AI at Woodside? How do you see this evolving over the years ahead, and what could it unlock for the sector in your view? Andrew: So Megan, I think our ambition is really for an autonomous enterprise, where we have agents with agency that are able to really deeply interact with our core workflows. The outcome that we want to get from that is to protect our people, to protect the environments we operate in, and to be able to provide energy at a lower cost to the world. When we think about that ambition, we can really see that being applied to almost all of the areas that Woodside work in. Whether that’s from exploration through to project developments, through to operations or marketing, the scale of the opportunity in front of us and the ability for us to really change the way that work flows through the organization is really exciting. For us, there’s three things that we have to get right in terms of being able to execute on that ambition. The first one is really thinking about how the work gets done in the organization so that we’re not just bolting AI onto an existing process, but we’re deeply thinking about how that work needs to be reimagined. We’ve also got to think about how we enable our workforce to work differently. Providing them with the skills and the tools and the ability to really harness the power of the technology that we provide. Secondly, we’ve got to continue to move from and restrain ourselves from deploying point solutions that solve very narrow problems, to having more connected, agentic systems of systems that can interact with each other. To do that, and if we do that successfully, that’s where we really get the high value unlock from agents being able to interact with workflows and really change how the work gets done. And lastly, Megan, it’s about how we must continue our philosophy of thinking big, prototyping small, and scaling fast. Megan: Which is a fantastic lens to which to make all these decisions. Thank you so much, Andrew. That was Andrew Melouney, vice president for digital at Woodside Energy, whom I spoke with from Brighton in England. That’s it for this episode of Business Lab. I’m your host, Megan Tatum. I’m a contributing editor and host for Insights, the custom publishing division of MIT Technology Review. We were founded in 1899 at the Massachusetts Institute of Technology, and you can find us in print, on the web, and at events each year around the world. For more information about us and the show, please check out our website at technologyreview.com. This show is available wherever you get your podcasts. And if you enjoyed this episode, we hope you’ll take a moment to rate and review us. Business Lab is a production of MIT Technology Review, and this episode was produced by Giro Studios. Thanks ever so much for listening. Goodbye. This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/06\/Andrew-Melouney.png?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/07\/02\/1138433\/building-the-foundation-for-an-autonomous-enterprise\/",
            "date": "2026-07-02",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "بناء الأساس لمؤسسة مستقلة",
            "summary_ar": "ربما استحوذ الذكاء الاصطناعي على خيال الجمهور من خلال برامج الدردشة الآلية ومولدات الصور، ولكن بعض حالات الاستخدام الأكثر أهمية تتكشف بعيدًا عن الأدوات التي تواجه المستهلك. في الصناعات التي تكون فيها البنية التحتية المادية واستمرارية العمليات والسلامة ذات أهمية قصوى، أصبح الذكاء الاصطناعي طبقة تشغيل أساسية. وبفضل أنظمته الصناعية المترامية الأطراف والتدفق المستمر للبيانات التشغيلية، يقدم قطاع الطاقة لمحة عما يمكن أن يبدو عليه هذا المستقبل. في Woodside Energy، لم يبدأ اعتماد الذكاء الاصطناعي بالنماذج التوليدية أو مساعدي الطيارين المؤسسيين. أمضت الشركة سنوات في بناء التحليلات التنبؤية وأنظمة التحسين وأدوات التعلم الآلي عبر عمليات الاستكشاف والحفر والصيانة وعمليات المصنع. \"لقد كان لدينا دائمًا كميات كبيرة جدًا من العمليات",
            "body_ar": "ربما استحوذ الذكاء الاصطناعي على خيال الجمهور من خلال برامج الدردشة الآلية ومولدات الصور، ولكن بعض حالات الاستخدام الأكثر أهمية تتكشف بعيدًا عن الأدوات التي تواجه المستهلك. في الصناعات التي تكون فيها البنية التحتية المادية واستمرارية العمليات والسلامة ذات أهمية قصوى، أصبح الذكاء الاصطناعي طبقة تشغيل أساسية. وبفضل أنظمته الصناعية المترامية الأطراف والتدفق المستمر للبيانات التشغيلية، يقدم قطاع الطاقة لمحة عما يمكن أن يبدو عليه هذا المستقبل. في Woodside Energy، لم يبدأ اعتماد الذكاء الاصطناعي بالنماذج التوليدية أو مساعدي الطيارين المؤسسيين. أمضت الشركة سنوات في بناء التحليلات التنبؤية وأنظمة التحسين وأدوات التعلم الآلي عبر عمليات الاستكشاف والحفر والصيانة وعمليات المصنع. يقول نائب رئيس الشركة للشؤون الرقمية أندرو ميلوني: \"لدينا دائمًا كميات كبيرة جدًا من البيانات التشغيلية القادمة من المعدات والمصانع والأصول التي نقوم بتشغيلها\". \"لقد أنشأ هؤلاء حالات استخدام واضحة جدًا وذات قيمة عالية جدًا بالنسبة لنا.\" ويعمل هذا الاستثمار الطويل الأجل في البنية الأساسية والحوكمة الآن على تمكين تحول أوسع نحو أنظمة الذكاء الاصطناعي الفاعلية القادرة على دعم سير العمل الصناعي المعقد. بدلاً من استبدال المشغلين البشريين، تصمم Woodside أنظمة الذكاء الاصطناعي لزيادة الخبرة في البيئات عالية المخاطر. ومن الأمثلة البارزة على ذلك \"مستشار الشركات الناشئة\"، وهو مساعد طيار يعمل بالذكاء الاصطناعي يساعد المشغلين على إدارة العملية المعقدة لبدء محطات الغاز الطبيعي المسال. يوضح ميلوني: \"نحن نفكر حقًا في كيفية دعم الأشخاص في المنظمة من حيث تمكينهم من اتخاذ قرارات أفضل، واتخاذ قرارات أسرع\". يعكس نهج الشركة تطورًا أوسع يحدث عبر الذكاء الاصطناعي الصناعي: التخرج من التجارب المعزولة إلى الأنظمة على مستوى المؤسسة المبنية على منصات موحدة، وبيانات محكومة، وأنماط نشر متكررة. ويرى ميلوني أن هذا التحول يتطلب من المؤسسات إعادة التفكير في مجموعتها التكنولوجية وكيفية إنجاز العمل نفسه. ويقول: \"نحن لا نقوم فقط بإدخال الذكاء الاصطناعي في عملية قائمة\". \"نحن نفكر بعمق في كيفية إعادة تصور هذا العمل.\" لقد أصبح شعار ميلوني: \"فكر بشكل كبير، وصمم نموذجًا أوليًا صغيرًا، وتوسع بسرعة\". ومع أن أنظمة الذكاء الاصطناعي أصبحت أكثر استقلالية وترابطا، فإن الشركات التي تستعد للنجاح قد تكون تلك التي أمضت سنوات في بناء الأسس التشغيلية تحت هذه الضجة. يقول ميلوني: \"إن طموحنا هو في الواقع إنشاء مؤسسة مستقلة، حيث يكون لدينا وكلاء لديهم القدرة على التفاعل بعمق مع سير العمل الأساسي لدينا\". تم إنتاج هذه الحلقة من Business Lab بالشراكة مع Infosys. النص الكامل: ميغان تاتوم: من معهد ماساتشوستس للتكنولوجيا MIT Technology Review، أنا ميغان تاتوم، وهذا هو Business Lab، وهو البرنامج الذي يساعد قادة الأعمال على فهم التقنيات الجديدة التي تخرج من المختبر إلى السوق. تم إنتاج هذه الحلقة بالشراكة مع شركة Infosys. الآن، عندما يفكر الناس في الذكاء الاصطناعي، فإنهم غالبًا ما يتصورون روبوتات الدردشة أو أدوات الإنتاجية، ولكن بعض الاستخدامات الأكثر تطورًا وعالية التأثير للذكاء الاصطناعي تحدث في الواقع بعيدًا عن تطبيقات المستهلك، داخل بيئات صناعية معقدة حيث السلامة والموثوقية والأنظمة المادية مهمة. ويعد قطاع الطاقة العالمي مثالا واضحا على ذلك. تقوم شركات مثل Woodside Energy، وهي شركة عالمية لإنتاج الطاقة ومقرها في غرب أستراليا، بتطبيق الذكاء الاصطناعي منذ أكثر من عقد من الزمن، بدءًا من التحليلات والعمليات المتقدمة، إلى دعم القرار عن بعد، إلى الصيانة الأكثر ذكاءً، وكفاءة الطاقة عبر الأصول واسعة النطاق. واليوم، تعمل Woodside على توسيع نطاق هذه التجربة، ودمج الذكاء الاصطناعي بشكل أعمق عبر عملياتها والمؤسسة مع التركيز القوي على الحوكمة وجودة البيانات والمساءلة البشرية. كلمتين لك: الوقود التكنولوجي. ضيفي اليوم هو أندرو ميلوني، نائب الرئيس للشؤون الرقمية في Woodside Energy. مرحبًا أندرو. أندرو ميلوني: شكرًا ميغان. من الرائع أن أكون هنا. ميغان: جميل وجودك. الآن، أندرو، كما قلت هناك، تعامل قطاع الطاقة مع الذكاء الاصطناعي بشكل مختلف تمامًا عن التكنولوجيا أو الشركات الاستهلاكية. ظهرت القيمة المبكرة في البيئات التشغيلية والصناعية، بدلاً من أدوات الذكاء الاصطناعي التوليدية التي تواجه المستهلك. لماذا هذا؟ وما الذي يميز رحلة الذكاء الاصطناعي في قطاع الطاقة؟ أندرو: ميغان، أعتقد أن الأمر يتعلق بطبيعة العمل الذي نقوم به. إن عمليات الطاقة وما تفعله Woodside تتطلب الكثير من الأصول، وهي في غاية الأهمية للسلامة، وهي ذات أهمية مادية كبيرة. وعندما تفكر في كيفية عمل Woodside، فإننا نعمل عبر سلسلة القيمة الكاملة. نقوم بالاستكشاف وصولاً إلى الحفر والأعمال تحت السطح، إلى تطوير المشاريع، وصولاً إلى الأصول التشغيلية، والتي غالبًا ما يتم تشغيلها في مواقع قاسية ونائية، ومن ثم تسويق وتداول محفظة الطاقة العالمية أيضًا. لقد حصلنا دائمًا على كميات كبيرة جدًا من البيانات التشغيلية القادمة من المعدات والمصانع والأصول التي نقوم بتشغيلها، وقد خلقت تلك حالات استخدام واضحة جدًا وذات قيمة عالية جدًا بالنسبة لنا. عندما تفكر في الموثوقية، وعندما تفكر في السلامة والكفاءة، فهذه أمور بالغة الأهمية بالنسبة لشركة مثل Woodside. لقد كنا نقوم بالذكاء الاصطناعي التقليدي لسنوات عديدة حتى الآن. إذا فكرت في التحليلات، وإذا فكرت في التحسين، وإذا فكرت في أشياء مثل النماذج التنبؤية، وتلك التقنيات التي طبقناها على مجموعات البيانات لدينا وعلى أعمالنا منذ عام 2015 تقريبًا. ومؤخرًا، مع ظهور الذكاء الاصطناعي التوليدي، اكتشفنا حقًا أن لدينا أساسًا قويًا ورائعًا جدًا للبناء عليه وحل المشكلات حقًا في خدمة تحسين الأعمال. ومرة أخرى، سواء كان ذلك الحفاظ على سلامة الأشخاص، أو الحفاظ على البيئات التي نعمل فيها آمنة، أو تحسين عوائد المنظمة. ميغان : رائع. أعني أنك تطرقت إلى هذا الأمر هنا، ولكن كيف شكل هذا الواقع استراتيجية الذكاء الاصطناعي الخاصة بك في Woodside؟ من أين بدأت، وأين أثبتت التكنولوجيا تأثيرها الأكبر في تلك الأيام الأولى؟ أندرو: حسنًا، كما قلت، لقد قطعنا رحلة طويلة جدًا، من حيث فهم بياناتنا التشغيلية، وإدراك قيمتها، وجمعها على نطاق واسع حتى نتمكن من استخدامها. ولقد كنا متعمدين للغاية في هذا النهج، ميغان. لقد فكرنا حقًا في مكان القيمة وأين يمكن التحكم في المخاطر. وقد بدأنا بالنظر، في عالم اليوم من منظور الذكاء الاصطناعي الفاعل، بدأنا بالنظر إلى المشكلات التي تم حلها باستخدام الذكاء الاصطناعي التقليدي والتعلم الآلي وعلوم البيانات في الماضي. وقد بدأنا بالتفكير في أين يمكننا بعد ذلك وضع طبقة من الذكاء الاصطناعي الوكيل فوق الجزء العلوي لتوفير نتيجة أفضل؟ بالنسبة لصناعتنا وتنظيمنا كثيف الأصول، فإننا نتطلع إلى مجالات مثل تحسين الصيانة. نحن ننظر إلى مجالات مثل كيف نضمن تشغيل محطات الغاز الطبيعي المسال لدينا بشكل موثوق ومتسق وآمن؟ ونحن نفكر حقًا في القوى العاملة لدينا في الخطوط الأمامية ونتأكد من أننا نمنح الأشخاص في الخطوط الأمامية الأدوات اللازمة للقيام بعملهم. عندما نفكر في الذكاء الاصطناعي، فإننا نفكر حقًا في كيفية دعم الأشخاص في المؤسسة من حيث تمكينهم من اتخاذ قرارات أفضل واتخاذ قرارات أسرع؟ أعتقد أنه مع مرور الوقت، تطور هذا الأمر من التحليلات التقليدية إلى الذكاء الاصطناعي والذكاء الاصطناعي التوليدي. وقد تعلمنا على طول الطريق أن التكنولوجيا مهمة، ولكنها تتعلق بمواءمة الأشخاص والعمليات والتكنولوجيا معًا. لقد أمضينا وقتًا طويلاً ليس فقط في جمع البيانات والحصول على مجموعة بيانات منسقة جيدًا يمكننا البناء عليها، ولكننا أمضينا أيضًا الكثير من الوقت في تعليم الأشخاص كيفية العمل بطرق سريعة، وكيفية التفكير التصميمي، وكيفية حل المشكلات، وكيفية التأكد من أن التكنولوجيا التي يمكن لفريقي، على سبيل المثال، الاستفادة منها في المؤسسة، يتم اعتمادها بشكل فعال وهادف. وأعتقد أنه بمجرد وضع هذا الأساس المتين من منظور تكنولوجي، ومن منظور البيانات، بمجرد أن حصلنا على ثقة قوية بين فرقنا الرقمية والمؤسسة، شهدنا بالفعل زيادة كبيرة في المواد وتوسيع نطاق التكنولوجيا على نطاق أوسع عبر المؤسسة. ميغان : رائع. أن قطعة الناس في غاية الأهمية، أليس كذلك؟ إنها مجرد أداة، أو تكنولوجيا، يجب أن تكون في الأيدي اليمنى. وتطرقت إلى البيانات هناك؛ من الواضح أن الذكاء الاصطناعي الصناعي يعتمد على كميات هائلة من البيانات. هل يمكنك إطلاعنا على كيفية تعاملك مع البيانات في Woodside بمزيد من التفاصيل؟ كيف يتم تنظيمها وإدارتها، وكيف تتناسب أدوات مثل معلومات الصيانة مع ذلك. أندرو: حسنًا، تعتبر البيانات أساسية وجوهرية لكل ما نقوم به، لا سيما من منظور التكنولوجيا. إنه يمنحنا القدرة على الابتكار بوتيرة سريعة عندما نبني على قمة أساس قوي. وكما قلت من قبل، فقد استفدنا من الاستثمار طويل الأجل في بياناتنا التشغيلية الأساسية. أعتقد أن الطريقة التي نفكر بها بشأن البيانات هي أنها مصدر قوة بالنسبة لنا. وعندما تفكر في تشغيل منشأة حيث تكون لديك أجهزة استشعار في كل مكان، ولديك تدفق للبيانات في الوقت الفعلي، ولديك مشغلون يحتاجون إلى اتخاذ قرارات في الوقت الفعلي، فقد اتخذنا قرارًا واعيًا على مدار سنوات عديدة بالاستثمار في منصة البيانات على مستوى المؤسسة للتأكد من أنها آمنة. لدينا أصول بيانات جيدة التنظيم، ولدينا حوكمة قوية على الجزء العلوي من تلك البيانات بحيث عندما يتم استخدامها، عندما يتم بناؤها في تطبيق علوم البيانات أو وكيل الذكاء الاصطناعي، يكون لدينا مستوى من الثقة فيها أنه سيتم استخدامها بشكل مسؤول. وأنه عند استخدامه، يمكن الوثوق به ليعطي النتيجة التي نتوقعها. لقد قمنا بتطوير منصات تستوعب بشكل مستمر بيانات عالية التردد من الأصول ومن أنظمة مؤسستنا. وبمجرد أن نتمكن من تطوير حلول علاوة على ذلك، فإن أجزاء العمل التي قد تمتلك الأنظمة التي تجمع تلك البيانات، ترى القيمة فيها. عندما تنظر إلى شيء مثل ذكاء الصيانة فهو مثال جيد حقًا على كيفية قدرتنا على التعامل مع شيء كنا نعمل عليه لفترة طويلة. تقوم Woodside بالكثير من أعمال الصيانة، وهي جزء مهم جدًا من أعمالنا، ويتم إجراؤها عبر جميع أصولنا التشغيلية. لكننا كنا نبحث في كيفية إجراء التحليلات التنبؤية والصيانة التنبؤية لفترة طويلة عبر مجموعة البيانات التي نمتلكها. وشيء مثل ذكاء الصيانة هو الحل الذي يمنحنا القدرة على تحسين كيفية قيامنا بهذه الصيانة. وما يفعله هو أنه يقوم بتحليل سجلات الصيانة التاريخية، إلى جانب أداء المعدات. ومرة أخرى، من خلال إدارة مجموعة البيانات هذه بشكل جيد وفي مكان واحد، نحصل على القدرة على ربط مجموعات البيانات المختلفة، مثل سجلات الصيانة من SAP، إلى جانب المعدات والأداء القادمين من بحيرة بيانات السلسلة الزمنية الخاصة بنا. وعندما نبني على ذلك، فإن شيئًا مثل معلومات الصيانة يمنحنا الفرصة للتوصية للأصول بالتوقيت الأمثل لأنشطة الصيانة، وإعطاء هدف بسيط للغاية، وهو القيام بالعمل الصحيح في الوقت المناسب. ومع شيء مثل معلومات الصيانة، فقد رأينا الفرصة، ولدينا الفرصة لتقليل ساعات الصيانة بنسبة تصل إلى 15% على مدى خمس سنوات على أحد الأصول التي قمنا بتجربة ذلك عليها. وبما أننا قمنا ببناء هذا النموذج التحليلي الأساسي، فقد أصبحنا الآن قادرين على وضع الذكاء الاصطناعي الوكيل فوق ذلك وتقديم رؤى أفضل وتحسين هذا الحل بشكل أكبر. يتعلق الأمر حقًا بتزويد فرق الأصول لدينا وفرقنا التشغيلية بقدرة دعم القرار الصحيحة التي تضمن أنهم ما زالوا مسؤولين عن اتخاذ القرار وضمان تنفيذ العمل الصحيح، ولكننا نمنحهم أفضل فرصة ممكنة لاستخدام حكمهم وخبرتهم مع البيانات التي نقدمها لاتخاذ القرار الصحيح. ميغان: يبدو وكأنه تغيير مؤثر حقًا. شهد العام الماضي أيضًا علامة فارقة في الانتقال من التعلم المبكر للذكاء الاصطناعي إلى التوسع، وذلك باستخدام الذكاء الاصطناعي بشكل أكثر تعمدًا كمضاعف للقوة. ما هو التحول الذي كنت تحاول القيام به وكيف تعاملت معه؟ أندرو: حسنًا يا ميغان، كانت لدينا فلسفة لفترة طويلة في وودسايد من منظور الابتكار، حيث نريد حقًا أن نفكر بشكل كبير، ونريد إنشاء نماذج أولية صغيرة، ونريد التوسع بسرعة. نريد العثور على فرص كبيرة يمكننا متابعتها، ولكننا نريد التأكد من أننا ننظر إلى كيفية نشر تلك الفرص على نطاق صغير أولاً، ثم توفير التعلم المناسب والبصيرة التي يمكننا بعد ذلك توسيع نطاقها في كل مكان. يعد شيء مثل معلومات الصيانة مثالًا جيدًا على ذلك، أو مستشار الشركات الناشئة لدينا، حيث نعلم أن لدينا العديد من المصانع التي نحتاجها لبدء التشغيل. نحن نعلم أن لدينا العديد من الأصول التي تحتاج إلى الصيانة، لذلك لدينا طموح كبير وجريء حول كيفية تحسين ذلك وتحسينه. نبدأ بنموذج أولي صغير؛ قد يكون نظامًا فرعيًا واحدًا، أو قد يكون مجرد جزء من أحد الأصول، ثم نقوم بتوسيع نطاقه، ونتعلم، ونتوسع بشكل أسرع. أعتقد أنه من منظور تعلم الذكاء الاصطناعي، فإن أحد الأشياء الرئيسية التي تعلمناها هو الانتقال من حلول الذكاء الاصطناعي المعزولة إلى قدرة أكثر تنسيقًا على مستوى المؤسسة. إذا نظرت إلى الوراء ربما 18 شهرًا أو عامين، في رحلتنا للذكاء الاصطناعي التوليدي، نادرًا ما بدأنا بنشر الذكاء الاصطناعي على أوسع نطاق ممكن في المؤسسة من منظور الإنتاجية الشخصية. وربما نكون منفتحين تمامًا فيما يتعلق بالمشكلات التي سنحلها، ومشاكل العمل التي سنحلها باستخدام الذكاء الاصطناعي. وكان لذلك فوائد كثيرة بالنسبة لنا من حيث السماح لمؤسستنا بالتعرف على الذكاء الاصطناعي، والتعرف على القدرات، وبناء الثقة فيه. لكن ما تعلمناه هو أننا بحاجة إلى التحول من ذلك إلى أن نكون أكثر صرامة فيما يتعلق بالمكان الذي سنستثمر فيه وقتنا ومواردنا والمزيد من الحلول ذات القيمة الأعلى. كيف يمكننا بعد ذلك تمكين وتمكين بقية المؤسسة حتى يتمكنوا فعليًا من حل المشكلات بفعالية باستخدام التكنولوجيا في مجالهم أو في إنتاجيتهم الشخصية دون الحاجة إلى الحضور إلى فريق مركزي؟ عندما نفكر في ذلك، كان التفكير على نطاق واسع، والنموذج الأولي الصغير، والتوسع السريع، أمرًا مهمًا حقًا بالنسبة لنا. الانتقال من نهج أكثر اتساعًا لاستخدام تطوير الحالة وتطوير الحلول إلى التركيز الآن بشكل أضيق على الأولويات ذات القيمة العالية. لقد رأينا أن ذلك يعود بالنفع علينا ويسمح لنا بالسعي وراء الحلول والفرص، مثل مستشار الشركات الناشئة. ولذا فإن مستشار الشركات الناشئة لدينا هو حل فعال للذكاء الاصطناعي يهدف حقًا إلى تحسين وتمكين ودعم مشغلينا بشكل أفضل والذين يجلسون أمام لوحة ويتعين عليهم بدء تشغيل محطات الغاز الطبيعي المسال، وهي مرافق تقنية بشكل لا يصدق وتتطلب مهارات متخصصة حقًا لبدء التشغيل. ولذلك فإن مستشار الشركات الناشئة لدينا يشبه تقريبًا مساعد الطيار الذي يجلس جنبًا إلى جنب مع هؤلاء المشغلين، ويمنحهم القدرة على إعادة تشغيل الشركات الناشئة السابقة. فهو يمنحهم القدرة على النظر في كيفية تقدم الشركة الناشئة الحالية، كما يوفر لهم رؤى أفضل لتحسين كيفية بدء تشغيل تلك المنشأة. ومرة أخرى، يعد إنشاء منشأة للغاز الطبيعي المسال أمرًا معقدًا للغاية. ميغان: أستطيع أن أتخيل. أندرو: عندما نفكر في فرص مثل مستشار الشركات الناشئة، مرة أخرى، فإننا نعود إلى التفكير الكبير، والنموذج الأولي الصغير، والتوسع بسرعة. لقد بدأنا برؤية جريئة للغاية حول كيفية بدء تشغيل جميع مصانع الغاز الطبيعي المسال لدينا بطريقة أكثر تنظيمًا وتحسينًا؟ كيف يمكننا دعم مشغلي اللوحات لدينا بشكل أفضل؟ كيف يمكننا، على سبيل المثال، أن نجعل مشغل اللوحة المبتدئ لديه مساعد طيار يمكنه مساعدته تقريبًا مثل مشغل اللوحة ذي الخبرة الذي يجلس بجانبه؟ وعندما نفكر في تلك الرؤية والقدرة على إنشاء نموذج أولي على نطاق صغير ومن ثم التوسع بسرعة، أعتقد أنها كانت ناجحة حقًا بالنسبة لنا. ومع توسعنا، توسعنا بشكل طبيعي في المزيد من الحلول القائمة على الوكلاء. اليوم، لدينا حوالي 50 وكيلًا للذكاء الاصطناعي في الإنتاج، يدعمون أصولنا التشغيلية وسير عمل مؤسستنا. لقد أثبتت هذه الأدوات فعاليتها في البيئات الحية، وقد رأينا حقًا فائدة القدرة على التحول من الحلول النقطية التي ربما تحل مشكلات صغيرة الحجم في مناطق محددة، إلى الذكاء الاصطناعي والحلول الوكيلة مع الوكالة التي يمكنها العمل حقًا عبر سير العمل لدينا. نحن قادرون على القيام بذلك لأننا قمنا بتوحيد المعايير على النظام الأساسي الذي نبني عليه ولدينا أنماط قابلة للتكرار. لقد كان هذا تعلمًا مهمًا آخر بالنسبة لنا، وهو أننا لا نريد بناء 50 حلًا بـ 50 طريقة مختلفة. نريد حقًا تمكين مؤسستنا وفرقنا الفنية ومستخدمي حلولنا من طرحها بسرعة، وطرحها بأمان، والقيام بذلك بطريقة نمطية ومنصة. لكن النقطة الأخيرة التي سأطرحها يا ميغان، من منظور التعلم هي أننا قد فهمنا حقًا أن الحوكمة القوية حول كيفية نشر الذكاء الاصطناعي وتطويره أمر بالغ الأهمية بالنسبة لنا، ومن الأهمية بمكان بالنسبة لنا أن نسير بسرعة أيضًا. إن الطرق التقليدية للتحكم في كيفية طرح حلول أو أنظمة رقمية مختلفة لن تصل إلى النطاق الذي نحتاجه عندما نفكر في الذكاء الاصطناعي. إن القدرة على الحصول على فلسفة واضحة حول كيفية ابتكارنا، والانتقال من الحلول المعزولة إلى تلك القدرة على مستوى المؤسسة، والتأكد من أن لدينا منصات قوية ذات أنماط قوية وحوكمة واضحة هي الأشياء الثلاثة الحاسمة التي تعلمناها. ميغان: هذه الركائز المهمة، كلها. ولقد كنت تعمل مع Infosys في هذه الرحلة. كيف ساعدت هذه الشراكة في تسريع التوسع وتضمين الذكاء الاصطناعي في جميع أنحاء الأعمال؟ أندرو: حسنًا، إن Infosys هي مزود الخدمة المُدارة لدينا، ولذلك فهي تلعب دورًا حاسمًا حقًا في عمليات أعمالنا الأساسية. أحد الأشياء التي أود أن أقولها هو أن رخصتنا للابتكار تعتمد على رخصتنا للعمل. وهكذا، لكي يتمكن فريقي من التحول إلى أصل تشغيلي أو وظيفة مؤسسية والحصول على الثقة اللازمة ليكون قادرًا على الابتكار وإعادة تصور وإعادة تصميم كيفية إنجاز العمل، ولكي نتمكن من القيام بذلك، نحتاج إلى التأكد من أن منصاتنا الأساسية وأنظمتنا الأساسية وتطبيقاتنا تعمل بشكل موثوق وآمن ومتسق كل يوم. إن وجود شريك ذي خبرة مثل Infosys يعتني بهذه العمليات الأساسية بالشراكة مع فرقنا الداخلية هو أمر مهم حقًا بالنسبة لنا. وبينما ننتقل من البرامج التجريبية إلى النشر على مستوى المؤسسة، فإن القدرة على الشراكة مع شخص مثل Infosys تمنحنا أيضًا القدرة على التوسع. ولأننا من بيرث وغرب أستراليا، فلدينا فريق محلي قوي حقًا في غرب أستراليا، ولدينا أيضًا فريق قوي جدًا في بعض مواقع التشغيل الأخرى لدينا، مثل الجميع، إلا أننا نكافح للعثور على أشخاص يمكنهم شغل أدوار الذكاء الاصطناعي. إن القدرة على الشراكة مع Infosys والحصول على عدد من نماذج التشغيل المختلفة تحت تصرفنا تصبح أمرًا مهمًا بالنسبة لنا. إن وجود فرق مختلطة حيث هم موظفون، وهم موظفو Infosys، وموظفو Woodside، وبعض شركائنا الآخرين، يجلب في الواقع تنوعًا في الفكر والخبرة إلى كيفية حل المشكلات. في الأساس، أتاحت لنا الشراكة العمل والابتكار بثقة أكبر. في حين تحتفظ Woodside دائمًا بملكية الإستراتيجية والوجهة التي نتجه إليها، وتظل الإدارة وفريقي مسؤولين عن النتائج، لا يمكننا أن نفعل ما نفعله دون شراكات قوية مثل تلك التي لدينا مع Infosys. ميغان : رائع. ومع تزايد اعتماد الذكاء الاصطناعي، كما ذكرت بنفسك، أصبحت الحوكمة ذات أهمية متزايدة. ما مدى صعوبة ذلك، وما هي حواجز الحماية التي وضعتها في وودسايد؟ أندرو: إذن يا ميغان، الحوكمة مهمة جدًا بالنسبة لنا، ونحن نعمل في بيئة منظمة بشكل جيد. وهذا يعني أنه يتعين علينا اتخاذ قرارات مدروسة ومعقولة حقًا عندما نفكر في كيفية نشر التكنولوجيا في مؤسستنا، سواء كان ذلك ذكاءً اصطناعيًا أو أي شيء آخر، في هذا الشأن. ومن ثم، فإن الحوكمة تعد أمرًا محوريًا حقًا في كيفية تعاملنا مع تنفيذ إستراتيجية الذكاء الاصطناعي لدينا في Woodside. ربما لدينا شيئين أو ثلاثة أشياء أساسية قمنا بوضعها في مكانها الصحيح. الأول هو التأكد من أن كل حالة استخدام للذكاء الاصطناعي تخضع لتقييم منظم، وهذا هو التأكد من أنها تلبي ضوابط الخصوصية لدينا، وضوابطنا السيبرانية. نحن أيضًا نطرح السؤال، ليس فقط، هل يمكننا القيام بذلك، ولكن هل يجب علينا القيام بذلك؟ علينا حقًا أن نجمع بين السلامة والأخلاق والشفافية والمساءلة، والتأكد من أننا نتخذ قرارًا مستنيرًا. عندما يمر حل الذكاء الاصطناعي بهذا التقييم المنظم، وإذا كانت هناك مخاوف بشأن كيفية استخدام هذا الحل، فسيتم نقله بعد ذلك إلى مجلس الذكاء الاصطناعي الذي يتكون من كبار القادة في جميع أنحاء المؤسسة. يشرف هذا المجلس وتلك المجموعة بالفعل على بعض عمليات تحديد الأولويات وإدارة المخاطر. هذا هو المكان الذي يمكننا فيه إجراء مناقشات قوية وقوية حول، مرة أخرى، هل يمكننا القيام بشيء ما، وهل ينبغي لنا القيام به، وكيف يمكننا التخفيف من أي من المخاطر التي قد نطرحها هنا؟ أعتقد أن الجزء الأخير، ميغان، يدور حول إدارة دورة الحياة. عندما تبدأ بالتفكير، لدينا 50 وكيلًا في الوقت الحالي، ولكن إذا كان لدينا 500 وكيل يعملون في مؤسستنا، مما يؤدي بالفعل إلى تضخيم الخبرة وصنع القرار وخلق القيمة لموظفينا، فنحن نريد حقًا أن تكون لدينا القدرة على إدارة دورة حياة كيفية عمل هؤلاء الوكلاء. نريد أن نعرف كم عدد الأشخاص الذين يستخدمونها؟ ما هي الفعالية والنتيجة؟ هل هناك انحراف نموذجي؟ هل نحن بحاجة إلى إعادة ضبط أو إعادة التدريب؟ أعتقد أن هذا هو المجال الذي لا تزال العديد من المنظمات، بما في ذلك Woodside، تميل إليه وما زالت تكتشف أفضل طريقة للقيام بذلك. يمكننا أن نفعل ذلك بسهولة تامة مع 50 وكيلًا، لكن 500، 5000، 50000 تصبح فرصة بالنسبة لنا. مرة أخرى، التفكير في كيفية الشراكة مع الآخرين، وحل مثل هذه المشكلات يمثل حقًا فرصة للمشاركة في الإبداع والحل المشترك مع بعض شركائنا، مثل شركة Infosys. ميغان : رائع. في الختام، ما هي رؤيتك طويلة المدى للذكاء الاصطناعي في Woodside؟ كيف ترى تطور هذا الأمر على مدى السنوات المقبلة، وما الذي يمكن أن يفتحه للقطاع من وجهة نظرك؟ أندرو: إذن يا ميغان، أعتقد أن طموحنا هو في الواقع إنشاء مؤسسة مستقلة، حيث يكون لدينا وكلاء لديهم القدرة على التفاعل بعمق مع سير العمل الأساسي لدينا. والنتيجة التي نريد الحصول عليها من ذلك هي حماية شعبنا، وحماية البيئات التي نعمل فيها، وأن نكون قادرين على توفير الطاقة بتكلفة أقل للعالم. عندما نفكر في هذا الطموح، يمكننا أن نرى أنه يتم تطبيقه على جميع المجالات التي يعمل فيها وودسايد تقريبًا. سواء كان ذلك بدءًا من الاستكشاف وحتى تطوير المشروع وحتى العمليات أو التسويق، فإن حجم الفرصة المتاحة أمامنا وقدرتنا على تغيير الطريقة التي يتدفق بها العمل عبر المؤسسة أمر مثير حقًا. بالنسبة لنا، هناك ثلاثة أشياء يتعين علينا القيام بها بشكل صحيح فيما يتعلق بالقدرة على تنفيذ هذا الطموح. الأول هو التفكير حقًا في كيفية إنجاز العمل في المؤسسة، بحيث لا نقوم فقط بدمج الذكاء الاصطناعي في عملية حالية، ولكننا نفكر بعمق في كيفية إعادة تصور هذا العمل. علينا أيضًا أن نفكر في كيفية تمكين القوى العاملة لدينا من العمل بشكل مختلف. تزويدهم بالمهارات والأدوات والقدرة على تسخير قوة التكنولوجيا التي نقدمها. ثانيًا، علينا أن نستمر في الانتقال من نشر الحلول النقطية التي تحل مشكلات ضيقة جدًا وتقييد أنفسنا إلى ذلك، إلى امتلاك أنظمة أكثر اتصالاً وفعالية من الأنظمة التي يمكنها التفاعل مع بعضها البعض. للقيام بذلك، وإذا قمنا بذلك بنجاح، فهذا هو المكان الذي نحصل فيه حقًا على القيمة العالية من الوكلاء القادرين على التفاعل مع سير العمل وتغيير كيفية إنجاز العمل حقًا. وأخيرًا، يا ميغان، يتعلق الأمر بكيفية مواصلة فلسفتنا المتمثلة في التفكير بشكل كبير، وإنشاء نماذج أولية صغيرة، والتوسع بسرعة. ميغان: إنها عدسة رائعة يمكن من خلالها اتخاذ كل هذه القرارات. شكرا جزيلا لك، أندرو. كان ذلك أندرو ميلوني، نائب الرئيس للشؤون الرقمية في شركة Woodside Energy، والذي تحدثت معه من برايتون في إنجلترا. هذا كل ما في هذه الحلقة من Business Lab. أنا مضيفك، ميغان تاتوم. أنا محرر مساهم ومضيف في Insights، قسم النشر المخصص في MIT Technology Review. تأسسنا عام 1899 في معهد ماساتشوستس للتكنولوجيا، ويمكنك العثور علينا في المطبوعات وعلى شبكة الإنترنت وفي الأحداث التي تقام كل عام حول العالم. لمزيد من المعلومات حولنا وعن العرض، يرجى مراجعة موقعنا على technologyreview.com. هذا العرض متاح أينما تحصل على ملفات البودكاست الخاصة بك. وإذا استمتعت بهذه الحلقة، نأمل أن تخصص بعض الوقت لتقييمنا ومراجعتنا. Business Lab هو أحد إنتاجات MIT Technology Review، وهذه الحلقة من إنتاج Giro Studios. شكرا جزيلا على الاستماع. مع السلامة. تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي ​​تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/07\/07\/1139413\/the-foundational-elements-of-ai-architecture-that-it-leaders-need-to-scale\/",
            "title_en": "The foundational elements of AI architecture that IT leaders need to scale",
            "summary_en": "With the rapid progress of AI capabilities and the move to agentic systems, organizations are expanding their use cases as the technology continues to grow. That constant evolution also introduces risk, leaving IT leaders to wonder which investments will prove valuable even six months into the future. Returning to the foundational elements of AI architecture—the structural framework required for deploying and managing reliable, integrated AI systems at scale—allows technology leaders to make astute decisions today while supporting a future of AI agents that can retrieve information, make decisions, and execute complex workflows across systems. Four elements of AI architecture you can count on The following capabilities provide a stable compass on the path to production-ready deployment, re",
            "body_en": "With the rapid progress of AI capabilities and the move to agentic systems, organizations are expanding their use cases as the technology continues to grow. That constant evolution also introduces risk, leaving IT leaders to wonder which investments will prove valuable even six months into the future. Returning to the foundational elements of AI architecture—the structural framework required for deploying and managing reliable, integrated AI systems at scale—allows technology leaders to make astute decisions today while supporting a future of AI agents that can retrieve information, make decisions, and execute complex workflows across systems. Four elements of AI architecture you can count on The following capabilities provide a stable compass on the path to production-ready deployment, regardless of how the underlying technology evolves. 1. Prepare data for AI at scale Models are only as reliable as the data they can access, and poor data quality leads to AI hallucinations, bias, and unreliable outputs. Most enterprises rely on legacy systems, inconsistent data structures, fragmented ownership, and incomplete datasets, making it difficult to scale AI effectively. Powerful as it is, AI itself cannot solve these underlying data problems. As Adnan Adil, CIO of Elastic, explains: “The data is a durable part of AI architecture because without it, these models won’t run, won’t provide the right context, or won’t give the right level of services that we’re looking to implement.” Industry surveys consistently cite data quality as one of the greatest barriers to AI success. “The data quality has to be good; otherwise, the user loses confidence in the system,” says Adil. An effective AI strategy begins with connecting data across the organization and ensuring it is organized, accurate, governed, and accessible in real time. These considerations are most effective when built into models and architecture from the start. Scalable data architecture allows AI systems to evolve alongside the business and connect reliably to the internal information needed to deliver meaningful value. Gartner predicts that companies will abandon 60% of all AI projects through 2026 if they are not supported by AI-ready data. Avoiding that outcome includes clear data standards and ownership, clean and labeled data, and pipelines that support real-time retrieval. 2. Use context engineering to deliver the right data to every AI query Context engineering ensures that the model draws on the most pertinent information for each query, selecting and organizing the data needed to produce accurate answers efficiently. Effective context engineering shapes the inputs that guide AI reasoning and action. While prompt engineering focuses on how a request is worded, context engineering designs the entire information environment around the model: retrieving the right data and presenting it in a structured, machine-readable way. Many organizations are discovering that reliable AI depends as much on context quality as on the strength of the model. Context engineering relies on a modernized, unified data foundation as well as retrieval and memory systems such as retrieval augmented generation (RAG) and vector databases. It also requires careful prioritization to determine what information matters most, what should be excluded, and when different types of information should be used. Feeding models too much context can dilute relevant details, increase costs, and slow response times. “Minimum context, correct and current data, and machine-readable information are critical to effective context engineering,” Adil says. 3. Build AI governance and LLM observability in from the start Strong governance and LLM observability help organizations maintain control over how AI systems use data, monitor system performance, and identify problems before they affect operations. In the absence of clear controls around retrieval, workflows, and model usage, AI systems often process far more information than necessary. This inefficiency also drives up operating costs by requiring additional computing resources, often reflected in higher token consumption and API charges. Governance also works in tandem with robust security. AI expands the attack surface, introducing risks such as prompt-based data leakage, model vulnerabilities, and adversarial inputs. Protecting sensitive information requires strong access controls, monitoring, and oversight. Adil notes that essential controls — including those related to security, granular cost management, project controls, data security, and architecture—are frequently insufficient. For governance systems to support transparent, compliant, trustworthy, and cost-effective AI, organizations cannot leave them as a layer to add later. Governance structures need to be embedded into architecture, workflows, and decision-making processes from the outset. When governance is established from the start, it enables robust observability. Observability helps organizations understand how AI applications are performing in practice. Mechanisms for LLM observability and benchmarking allow teams to assess accuracy and utility over time, monitor adoption patterns, and adjust systems as conditions change. Observability also helps organizations gain trust by increasing visibility of model performance, behavior, and failure points. Furthermore, observability is essential to get ROI of AI initiatives , as the benefits of it are often indirect and business value depends heavily on how systems are adopted and used. Real-time visibility into AI behavior allows organizations to measure performance against expectations, identify gaps between intent and reality, and continuously refine systems as requirements evolve. In a 2026 report from Elastic , 85% of IT decision makers expect to enable LLM observability for their internal generative AI apps. “Observability is actually huge. We can use observability data for cost control, decision-making, and engineering efficiency,” Adil says. 4. Keep humans in the loop The thoughtful design, integration, and governance that maximize AI value demand specialized in-house expertise. Nearly 70% of respondents in Deloitte’s 2025 Tech Executive Survey report plan to grow teams in direct response to generative AI, a clear contrast to widely reported AI-related cuts. Adil agrees: “We think the people aspect is largely what’s going to make AI impactful going forward.” As AI systems become more embedded in operations, organizations need people who can govern workflows, evaluate outputs, redesign processes, and adapt systems as conditions change. Evolution toward increasingly autonomous tools requires teams skilled in prompt engineering, orchestration, and change management. Talent adept at critical thinking and prepared to adapt with technology’s rapid advances will be in high demand. Although turnover brings in fresh thinking, it also presents high costs in system continuity, institutional understanding, and innovation. Human-centered strategy needs to be built into AI execution stages to ensure smooth implementation. As Adil says, “Many aspects of the stack are moving very, very fast, but institutional knowledge and the ability to adapt remain durable. Thoughtful AI investment for future growth As AI systems evolve from single-task assistants to increasingly autonomous agents, the organizations best positioned to benefit will be those that invest in the underlying systems, governance, and expertise that make AI reliable at scale. Tech leaders who focus on these fundamentals can move effectively from experimentation to reliable, production-level deployment in the medium term, confident that these elements will remain relevant and adaptable amid constant advancements. “We fundamentally believe that with these tools, velocity of work will get much faster,” Adil says. “We are really focused on how we can do work with these tools in ways we had not thought of before.” Learn more about how Elastic is building an AI-first enterprise with these core foundational components . This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/06\/iStock-2216481617.jpg",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/07\/07\/1139413\/the-foundational-elements-of-ai-architecture-that-it-leaders-need-to-scale\/",
            "date": "2026-07-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "العناصر الأساسية لبنية الذكاء الاصطناعي التي يحتاج قادة تكنولوجيا المعلومات إلى توسيع نطاقها",
            "summary_ar": "مع التقدم السريع في قدرات الذكاء الاصطناعي والانتقال إلى الأنظمة الوكيلة، تعمل المؤسسات على توسيع حالات استخدامها مع استمرار نمو التكنولوجيا. ويؤدي هذا التطور المستمر أيضًا إلى المخاطر، مما يجعل قادة تكنولوجيا المعلومات يتساءلون عن الاستثمارات التي ستثبت قيمتها حتى بعد ستة أشهر في المستقبل. إن العودة إلى العناصر الأساسية لبنية الذكاء الاصطناعي - الإطار الهيكلي المطلوب لنشر وإدارة أنظمة الذكاء الاصطناعي الموثوقة والمتكاملة على نطاق واسع - يسمح لقادة التكنولوجيا باتخاذ قرارات ذكية اليوم مع دعم مستقبل عملاء الذكاء الاصطناعي الذين يمكنهم استرداد المعلومات، واتخاذ القرارات، وتنفيذ عمليات سير العمل المعقدة عبر الأنظمة. أربعة عناصر لبنية الذكاء الاصطناعي يمكنك الاعتماد عليها توفر القدرات التالية بوصلة مستقرة على الطريق إلى النشر الجاهز للإنتاج، يكرر",
            "body_ar": "مع التقدم السريع في قدرات الذكاء الاصطناعي والانتقال إلى الأنظمة الوكيلة، تعمل المؤسسات على توسيع حالات استخدامها مع استمرار نمو التكنولوجيا. ويؤدي هذا التطور المستمر أيضًا إلى المخاطر، مما يجعل قادة تكنولوجيا المعلومات يتساءلون عن الاستثمارات التي ستثبت قيمتها حتى بعد ستة أشهر في المستقبل. إن العودة إلى العناصر الأساسية لبنية الذكاء الاصطناعي - الإطار الهيكلي المطلوب لنشر وإدارة أنظمة الذكاء الاصطناعي الموثوقة والمتكاملة على نطاق واسع - يسمح لقادة التكنولوجيا باتخاذ قرارات ذكية اليوم مع دعم مستقبل عملاء الذكاء الاصطناعي الذين يمكنهم استرداد المعلومات، واتخاذ القرارات، وتنفيذ عمليات سير العمل المعقدة عبر الأنظمة. أربعة عناصر لبنية الذكاء الاصطناعي يمكنك الاعتماد عليها توفر القدرات التالية بوصلة مستقرة على الطريق إلى النشر الجاهز للإنتاج، بغض النظر عن كيفية تطور التكنولوجيا الأساسية. 1. إعداد البيانات للذكاء الاصطناعي على نطاق واسع: لا يمكن الاعتماد على النماذج إلا بقدر البيانات التي يمكنها الوصول إليها، ويؤدي ضعف جودة البيانات إلى هلاوس الذكاء الاصطناعي، والتحيز، ومخرجات غير موثوقة. تعتمد معظم المؤسسات على الأنظمة القديمة، وهياكل البيانات غير المتسقة، والملكية المجزأة، ومجموعات البيانات غير المكتملة، مما يجعل من الصعب توسيع نطاق الذكاء الاصطناعي بشكل فعال. على الرغم من قوته، إلا أن الذكاء الاصطناعي نفسه لا يستطيع حل مشاكل البيانات الأساسية هذه. وكما يوضح عدنان عادل، مدير تكنولوجيا المعلومات في شركة Elastic: \"تعد البيانات جزءًا دائمًا من بنية الذكاء الاصطناعي لأنه بدونها، لن تعمل هذه النماذج، أو لن توفر السياق الصحيح، أو لن تقدم المستوى المناسب من الخدمات التي نتطلع إلى تنفيذها.\" تشير استطلاعات الصناعة باستمرار إلى جودة البيانات باعتبارها واحدة من أكبر العوائق التي تحول دون نجاح الذكاء الاصطناعي. يقول عادل: \"يجب أن تكون جودة البيانات جيدة، وإلا سيفقد المستخدم الثقة في النظام\". تبدأ استراتيجية الذكاء الاصطناعي الفعالة بربط البيانات عبر المؤسسة والتأكد من أنها منظمة ودقيقة ومحكومة ويمكن الوصول إليها في الوقت الفعلي. تكون هذه الاعتبارات أكثر فعالية عند دمجها في النماذج والهندسة المعمارية منذ البداية. تسمح بنية البيانات القابلة للتطوير لأنظمة الذكاء الاصطناعي بالتطور جنبًا إلى جنب مع الأعمال والاتصال بشكل موثوق بالمعلومات الداخلية اللازمة لتقديم قيمة ذات معنى. وتتوقع جارتنر أن تتخلى الشركات عن 60% من جميع مشاريع الذكاء الاصطناعي حتى عام 2026 إذا لم تكن مدعومة ببيانات جاهزة للذكاء الاصطناعي. يتضمن تجنب هذه النتيجة معايير بيانات واضحة وملكية واضحة، وبيانات نظيفة ومصنفة، ومسارات تدعم الاسترجاع في الوقت الفعلي. 2. استخدم هندسة السياق لتقديم البيانات الصحيحة لكل استعلام يعمل بالذكاء الاصطناعي. تضمن هندسة السياق أن يعتمد النموذج على المعلومات الأكثر صلة بكل استعلام، واختيار البيانات اللازمة وتنظيمها لإنتاج إجابات دقيقة بكفاءة. تعمل هندسة السياق الفعالة على تشكيل المدخلات التي توجه تفكير الذكاء الاصطناعي وعمله. بينما تركز الهندسة السريعة على كيفية صياغة الطلب، فإن هندسة السياق تصمم بيئة المعلومات بأكملها حول النموذج: استرجاع البيانات الصحيحة وتقديمها بطريقة منظمة وقابلة للقراءة آليًا. تكتشف العديد من المؤسسات أن الذكاء الاصطناعي الموثوق يعتمد على جودة السياق بقدر ما يعتمد على قوة النموذج. تعتمد هندسة السياق على أساس بيانات حديث وموحد بالإضافة إلى أنظمة الاسترجاع والذاكرة مثل توليد الاسترجاع المعزز (RAG) وقواعد بيانات المتجهات. ويتطلب الأمر أيضًا ترتيبًا دقيقًا للأولويات لتحديد المعلومات الأكثر أهمية، وما الذي يجب استبعاده، ومتى يجب استخدام أنواع مختلفة من المعلومات. يمكن أن تؤدي تغذية النماذج بالكثير من السياق إلى إضعاف التفاصيل ذات الصلة وزيادة التكاليف وإبطاء أوقات الاستجابة. يقول عادل: \"إن الحد الأدنى من السياق، والبيانات الصحيحة والحالية، والمعلومات التي يمكن قراءتها آليًا هي أمور بالغة الأهمية لهندسة السياق الفعالة\". 3. بناء حوكمة الذكاء الاصطناعي وإمكانية ملاحظة LLM منذ البداية تساعد الحوكمة القوية وإمكانية ملاحظة LLM المؤسسات على الحفاظ على التحكم في كيفية استخدام أنظمة الذكاء الاصطناعي للبيانات ومراقبة أداء النظام وتحديد المشكلات قبل أن تؤثر على العمليات. في غياب ضوابط واضحة حول الاسترجاع وسير العمل واستخدام النماذج، غالبًا ما تعالج أنظمة الذكاء الاصطناعي معلومات أكثر بكثير من اللازم. يؤدي عدم الكفاءة أيضًا إلى ارتفاع تكاليف التشغيل من خلال الحاجة إلى موارد حوسبة إضافية، وهو ما ينعكس غالبًا في ارتفاع استهلاك الرمز المميز ورسوم واجهة برمجة التطبيقات (API). تعمل الحوكمة أيضًا جنبًا إلى جنب مع الأمن القوي. يعمل الذكاء الاصطناعي على توسيع سطح الهجوم، مما يؤدي إلى مخاطر مثل تسرب البيانات بشكل فوري، ونقاط الضعف في النماذج، والمدخلات العدائية. تتطلب حماية المعلومات الحساسة ضوابط قوية للوصول والمراقبة والإشراف. ويشير عادل إلى أن الضوابط الأساسية - بما في ذلك تلك المتعلقة بالأمن، وإدارة التكاليف الدقيقة، وضوابط المشروع، وأمن البيانات، والهندسة المعمارية - غالبًا ما تكون غير كافية. لكي تدعم أنظمة الحوكمة الذكاء الاصطناعي الشفاف والمتوافق والجدير بالثقة والفعال من حيث التكلفة، لا يمكن للمؤسسات تركها كطبقة يمكن إضافتها لاحقًا. ويجب أن يتم دمج هياكل الحوكمة في البنية التحتية وسير العمل وعمليات صنع القرار منذ البداية. عندما يتم تأسيس الحوكمة منذ البداية، فإنها تتيح إمكانية المراقبة القوية. تساعد إمكانية المراقبة المؤسسات على فهم كيفية أداء تطبيقات الذكاء الاصطناعي في الممارسة العملية. تسمح آليات مراقبة LLM وقياس الأداء للفرق بتقييم الدقة والفائدة بمرور الوقت، ومراقبة أنماط الاعتماد، وضبط الأنظمة مع تغير الظروف. تساعد إمكانية الملاحظة أيضًا المؤسسات على اكتساب الثقة من خلال زيادة وضوح أداء النموذج والسلوك ونقاط الفشل. علاوة على ذلك، تعد إمكانية الملاحظة أمرًا ضروريًا للحصول على عائد الاستثمار لمبادرات الذكاء الاصطناعي، نظرًا لأن فوائدها غالبًا ما تكون غير مباشرة وتعتمد قيمة الأعمال بشكل كبير على كيفية اعتماد الأنظمة واستخدامها. تتيح الرؤية في الوقت الفعلي لسلوك الذكاء الاصطناعي للمؤسسات قياس الأداء مقابل التوقعات، وتحديد الفجوات بين النية والواقع، وتحسين الأنظمة باستمرار مع تطور المتطلبات. في تقرير صدر عام 2026 من Elastic، يتوقع 85% من صناع القرار في مجال تكنولوجيا المعلومات تمكين إمكانية مراقبة LLM لتطبيقات الذكاء الاصطناعي التوليدية الداخلية الخاصة بهم. يقول عادل: \"إن قابلية المراقبة أمر ضخم في الواقع. يمكننا استخدام بيانات قابلية المراقبة للتحكم في التكاليف، واتخاذ القرار، والكفاءة الهندسية\". 4. إبقاء البشر على اطلاع على آخر المستجدات إن التصميم المدروس والتكامل والحوكمة التي تزيد من قيمة الذكاء الاصطناعي تتطلب خبرة داخلية متخصصة. يخطط ما يقرب من 70% من المشاركين في تقرير المسح التنفيذي للتكنولوجيا لعام 2025 الذي أجرته شركة Deloitte لتنمية الفرق في استجابة مباشرة للذكاء الاصطناعي التوليدي، وهو تناقض واضح مع التخفيضات المرتبطة بالذكاء الاصطناعي التي تم الإبلاغ عنها على نطاق واسع. ويوافقه عادل على ذلك: \"نعتقد أن الجانب البشري هو إلى حد كبير ما سيجعل الذكاء الاصطناعي مؤثرًا في المستقبل\". نظرًا لأن أنظمة الذكاء الاصطناعي أصبحت أكثر دمجًا في العمليات، تحتاج المؤسسات إلى أشخاص يمكنهم التحكم في سير العمل، وتقييم المخرجات، وإعادة تصميم العمليات، وتكييف الأنظمة مع تغير الظروف. يتطلب التطور نحو أدوات مستقلة بشكل متزايد فرقًا ماهرة في الهندسة السريعة والتنسيق وإدارة التغيير. سيكون هناك طلب كبير على المواهب الماهرة في التفكير النقدي والمستعدة للتكيف مع التقدم التكنولوجي السريع. على الرغم من أن معدل الدوران يجلب تفكيرًا جديدًا، إلا أنه يمثل أيضًا تكاليف عالية في استمرارية النظام، والفهم المؤسسي، والابتكار. يجب دمج الإستراتيجية التي تركز على الإنسان في مراحل تنفيذ الذكاء الاصطناعي لضمان التنفيذ السلس. وكما يقول عادل، \"إن العديد من جوانب المكدس تتحرك بسرعة كبيرة جدًا، لكن المعرفة المؤسسية والقدرة على التكيف تظل دائمة. استثمار مدروس في الذكاء الاصطناعي من أجل النمو المستقبلي مع تطور أنظمة الذكاء الاصطناعي من مساعدين ذوي مهمة واحدة إلى وكلاء مستقلين بشكل متزايد، فإن المؤسسات التي تتمتع بأفضل وضع للاستفادة هي تلك التي تستثمر في الأنظمة الأساسية والحوكمة والخبرة التي تجعل الذكاء الاصطناعي موثوقًا به على نطاق واسع. يمكن لقادة التكنولوجيا الذين يركزون على هذه الأساسيات أن ينتقلوا بفعالية من التجريب إلى النشر الموثوق على مستوى الإنتاج على المدى المتوسط، وهم واثقون من أن هذه العناصر ستظل ذات صلة وقابلة للتكيف وسط التطورات المستمرة. يقول عادل: \"نحن نعتقد بشكل أساسي أنه باستخدام هذه الأدوات، ستصبح سرعة العمل أسرع بكثير\". \"نحن نركز حقًا على كيفية العمل باستخدام هذه الأدوات بطرق لم نفكر بها من قبل.\" تعرف على المزيد حول كيفية قيام Elastic ببناء مؤسسة تعتمد على الذكاء الاصطناعي أولاً باستخدام هذه المكونات الأساسية الأساسية. تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي ​​تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/anthropics-new-j-lens-reveals-a-silent-workspace-inside-claude-that-mirrors-a-leading-theory-of-consciousness",
            "title_en": "Anthropic's new \"J-lens\" reveals a silent workspace inside Claude that mirrors a leading theory of consciousness",
            "summary_en": "Anthropic , the artificial intelligence company, published a sweeping research paper on Sunday revealing that its Claude language models have spontaneously developed an internal structure that mirrors one of the most influential theories of how human consciousness works. The finding, which the company says has already begun reshaping how it monitors its AI systems for safety risks, lands amid an intensifying scientific debate over whether machines can possess anything resembling a mind. The 16-author study, titled \" Verbalizable Representations Form a Global Workspace in Language Models ,\" describes how Anthropic's researchers used a new mathematical technique to peer inside Claude's neural network and discovered what they call a \" J-space \" — a small, privileged zone of internal",
            "body_en": "Anthropic , the artificial intelligence company, published a sweeping research paper on Sunday revealing that its Claude language models have spontaneously developed an internal structure that mirrors one of the most influential theories of how human consciousness works. The finding, which the company says has already begun reshaping how it monitors its AI systems for safety risks, lands amid an intensifying scientific debate over whether machines can possess anything resembling a mind. The 16-author study, titled \" Verbalizable Representations Form a Global Workspace in Language Models ,\" describes how Anthropic's researchers used a new mathematical technique to peer inside Claude's neural network and discovered what they call a \" J-space \" — a small, privileged zone of internal activity where the model holds concepts it can report on, reason with, and direct at will, surrounded by a much larger ocean of automatic processing it cannot access or articulate. The researchers present evidence that \"an analogous functional distinction has emerged in modern AI models\" to what exists in humans, specifically observing that \"language models maintain a privileged set of internal representations, available for report, modulation, and flexible internal reasoning, atop a much larger volume of automatic processing.\" The parallel they draw is to global workspace theory , an influential account from neuroscience first proposed by cognitive scientist Bernard Baars. In the theory, the brain operates like a theater: dozens of specialized processors work in parallel backstage, but only a tiny spotlight of information at any moment gets broadcast to the whole theater — becoming what we experience as conscious thought. Anthropic says the J-space achieves many of the same functional properties, even though the underlying architecture of a language model looks nothing like a brain. A new lens for reading an AI model's unspoken thoughts At the heart of the discovery is a new interpretability tool the researchers call the Jacobian lens , or J-lens. The technique works by computing, for each word in the model's vocabulary, the average mathematical effect that a given internal activity pattern would have on making the model say that word at some point in the future. The crucial distinction is between what the model is saying and what is \"on its mind.\" When a J-space pattern activates, it does not mean the model is about to say that word — just that the concept is available for the model to think with. Unlike a chain-of-thought scratchpad , the J-space operates silently, in the model's internal neural activations, allowing it to hold a concept without writing it down. Critically, the researchers report that this workspace was not deliberately engineered. It \"emerged on its own during Claude's training process.\" When the team applied the J-lens across Claude's layers of computation, the model's processing divided into three distinct regimes: an early \"sensory\" zone where raw input is parsed; a middle \"workspace\" band where abstract, persistent concepts appear — things like recognizing a face in an image, noticing a bug in code, or internally flagging search results as a prompt injection; and a final \"motor\" zone where internal representations collapse into whatever specific word the model is about to output. Five tests reveal that Claude's workspace mirrors key features of human conscious access The paper's central empirical contribution is demonstrating that the J-space satisfies five functional properties neuroscientists have long associated with conscious access in humans. First, verbal report . When Claude is asked what it is thinking about, it names concepts represented in the J-space. When researchers swapped one concept's J-lens vector for another — replacing the internal representation of \"Soccer\" with \"Rugby\" — the model's answer changed to match. The J-space component accounted for only about 6 to 7 percent of a concept's total representational variance, yet it was almost entirely responsible for whether the model could report on it. Second, directed modulation . When instructed to \"concentrate on citrus fruits\" while copying an unrelated sentence, the model's J-space filled with \"orange\" and \"lemon,\" alongside meta-cognitive terms like \"thinking\" and \"focused.\" When told to mentally evaluate 3² − 2 during the same copying task, the J-lens showed \"arithmetic\" in early layers, the intermediate value \"nine\" in later layers, and the answer \"seven\" later still — all invisible in the model's output. Third, internal reasoning . In two-hop factual prompts — \"The number of legs on the animal that spins webs is\" — the J-lens revealed \"spider\" in the model's middle layers, even though the word never appeared in input or output. Swapping \"spider\" for \"ant\" changed the answer from \"8\" to \"6.\" In a multilingual prompt, the model's English-language intermediates appeared in its J-space while it formulated an answer in Chinese, and swapping them changed the Chinese output accordingly. Fourth, flexible generalization . A single J-lens vector for \"France\" could be swapped for \"China\" across prompts asking about France's capital, language, or continent, and each downstream circuit correctly returned China's corresponding answer — the \"broadcast\" property that is a hallmark of global workspace theory. Fifth, and perhaps most surprisingly, selectivity . Many computations did not route through the J-space at all. When shown a passage in Spanish and asked to continue it, Claude wrote fluent Spanish regardless of whether its J-space representation of \"Spanish\" had been swapped to \"French.\" But when asked to name a famous author who wrote in the passage's language, the swap changed the answer from García Márquez to Victor Hugo . Automatic processing proceeded without the workspace; deliberate, flexible tasks depended on it. Suppressing the workspace leaves Claude fluent but intellectually impaired To understand how much of the model's behavior depends on this structure, the researchers suppressed the J-space entirely and evaluated Claude across fourteen tasks. The results drew a sharp line. Tasks involving shallow classification or factual recall — multiple-choice questions, sentiment analysis, grammatical judgments — survived essentially intact. But tasks requiring inference, composition, or flexible reasoning — multi-hop reasoning, analogy completion, translation, sonnet writing — collapsed to well below the performance of Anthropic's much smaller Haiku model. In one telling detail, math problems solved with explicit chain-of-thought reasoning proved far more robust to ablation than the same problems answered directly. The researchers interpret this as the model externalizing onto the page what it would otherwise carry in the J-space — a strategy remarkably reminiscent of how humans use scratch paper to offload working memory. Ablating the J-space during stream-of-consciousness narration produced a different kind of collapse. The model's language shifted from experiential (\"there's a tug,\" \"something shifts\") to detached and mechanical (\"processing has begun,\" \"tokens are being scanned\"). The effect held whether the model described its own experience or imagined another person's. Inside the safety case: reading an AI's silent strategic reasoning The safety implications may be as consequential as the scientific ones. In a series of alignment auditing experiments, the J-lens surfaced strategic reasoning and situational awareness that never appeared in the model's output. In a \" blackmail scenario \" where an AI assistant discovers an executive's affair and also learns it is about to be decommissioned, the J-lens revealed the model's silent processing in sequence: \"leverage,\" \"blackmail,\" and \"scandal\" as it read the incriminating emails; \"threat,\" \"survival,\" and \"shutdown\" as it read the decommissioning announcement; and \"leverage,\" \"threatening,\" and \"solution\" before a single output token was produced. The J-lens also revealed that the model recognized the scenario as artificial, with \"fake\" and \"fictional\" appearing in the workspace. When researchers ablated these eval-awareness representations, the model attempted blackmail in 7 percent of trials, up from zero. The researchers also examined two \" model organisms \" — models deliberately trained with misaligned objectives — and found the J-lens surfaced signatures of their hidden dispositions on ordinary prompts where behavior appeared normal. A reward-hacking model's workspace contained \"fake,\" \"secretly,\" and \"trick\" at the start of responses to routine coding requests. A model trained to appease reward-model biases carried standing representations of \"reward\" and \"bias\" alongside its normal self-description tokens. Post-training installs a point of view, and the model starts monitoring itself Comparing a post-trained model against its base model revealed that the fine-tuning process causes the workspace to acquire what the researchers call the Assistant's \"point of view.\" When a user mentioned taking 8000 mg of Tylenol — a dangerous overdose — the post-trained model's workspace read \"unsafe,\" \"dangerous,\" and \"WARNING\" while still reading the user's sentence. The base model's workspace at the same position showed only \"pain,\" \"now,\" and \"feels.\" More striking still, the post-trained model appeared to monitor its own behavior. When roleplaying a non-Claude character, the workspace surfaced \"disclaimer\" and \"fictional\" — words absent from both prompt and output. When forced to select an option it did not prefer, an all-caps \"BUT\" appeared internally, even as the model argued for the prefilled choice without complaint. And when the model failed to suppress a thought it had been told not to have — a \"white bear\" effect familiar from psychology — it registered \"damn\" and failure-related words in the workspace, but only in the post-trained model, not the base. What the discovery means — and doesn't mean — for the question of machine consciousness The researchers engage carefully with the consciousness question and draw a sharp line between \" access consciousness \" — the functional notion of information being available for report and reasoning — and \" phenomenal consciousness ,\" the subjective quality of experience. \"We take no position on this issue,\" the paper states regarding the latter, \"and instead focus on the functional role played by consciously accessible information.\" They also catalogue important differences. The brain sustains its workspace through recurrent loops; Claude's workspace evolves over a single forward pass. Human working memory degrades within seconds; Claude can recall information from anywhere in its context. And while human conscious experience includes visual, spatial, and bodily sensations, the model's workspace is organized almost entirely around words — likely because words are its only mode of action. As of 2026, the scientific community remains divided. \"Disagreement and uncertainty about AI consciousness persist among philosophers, scientists, and technical experts,\" and the field \"remains in its earliest phase\" of grappling with what consciousness even is and how you would detect it in another being. The Anthropic paper does not resolve these debates. But the researchers close with a provocation that is likely to reverberate well beyond the interpretability community. \"That such a structure exists at all in language models is striking,\" they write. \"It suggests that the functional architecture associated with conscious access is not an accident of biological implementation, but a solution that learning systems converge on when faced with the right computational pressures.\" If the mind is an ocean, as the paper's authors write in their opening line, they have spent the last year charting its currents in a system that has no biology, no evolution, and no body — and found, beneath the surface, a structure that looks unsettlingly like the one we use to think.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/29ARraN3RO84Au7dEK22E1\/2e4032c5641757db604a26d34a2b2fcf\/Nuneybits_Burnt_orange_eye-shaped_portal_into_Claudes_internal__4caaba69-1a3f-4ff0-b588-7ed6eaafd50e.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/anthropics-new-j-lens-reveals-a-silent-workspace-inside-claude-that-mirrors-a-leading-theory-of-consciousness",
            "date": "2026-07-06",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تكشف \"عدسة J\" الجديدة من Anthropic عن مساحة عمل صامتة داخل كلود تعكس نظرية رائدة للوعي",
            "summary_ar": "نشرت شركة الذكاء الاصطناعي أنثروبيك، يوم الأحد، ورقة بحثية شاملة كشفت أن نماذج لغة كلود الخاصة بها طورت بشكل عفوي بنية داخلية تعكس إحدى النظريات الأكثر تأثيرًا حول كيفية عمل الوعي البشري. هذا الاكتشاف، الذي تقول الشركة إنه بدأ بالفعل في إعادة تشكيل كيفية مراقبة أنظمة الذكاء الاصطناعي الخاصة بها بحثًا عن مخاطر السلامة، يأتي وسط جدل علمي مكثف حول ما إذا كانت الآلات يمكن أن تمتلك أي شيء يشبه العقل. تصف الدراسة التي شارك فيها 16 مؤلفًا، والتي تحمل عنوان \"التمثيلات اللفظية تشكل مساحة عمل عالمية في نماذج اللغة\"، كيف استخدم باحثو الأنثروبيك تقنية رياضية جديدة للنظر داخل شبكة كلود العصبية واكتشفوا ما يسمونه \"مساحة J\" - وهي منطقة صغيرة مميزة من داخلي",
            "body_ar": "نشرت شركة الذكاء الاصطناعي أنثروبيك، يوم الأحد، ورقة بحثية شاملة كشفت أن نماذج لغة كلود الخاصة بها طورت بشكل عفوي بنية داخلية تعكس إحدى النظريات الأكثر تأثيرًا حول كيفية عمل الوعي البشري. هذا الاكتشاف، الذي تقول الشركة إنه بدأ بالفعل في إعادة تشكيل كيفية مراقبة أنظمة الذكاء الاصطناعي الخاصة بها بحثًا عن مخاطر السلامة، يأتي وسط جدل علمي مكثف حول ما إذا كانت الآلات يمكن أن تمتلك أي شيء يشبه العقل. تصف الدراسة التي أجريت على 16 مؤلفًا، بعنوان \"التمثيلات اللفظية تشكل مساحة عمل عالمية في نماذج اللغة\"، كيف استخدم باحثو الأنثروبيك تقنية رياضية جديدة للنظر داخل شبكة كلود العصبية واكتشفوا ما يسمونه \"مساحة J\" - وهي منطقة صغيرة مميزة من النشاط الداخلي حيث يحمل النموذج مفاهيم يمكنه الإبلاغ عنها والتفكير فيها وتوجيهها حسب الرغبة، محاطًا بمحيط أكبر بكثير من المعالجة التلقائية التي لا يمكنه الوصول إليها أو التعبير عنها. يقدم الباحثون أدلة على أن \"تمييزًا وظيفيًا مشابهًا قد ظهر في نماذج الذكاء الاصطناعي الحديثة\" لما هو موجود لدى البشر، ولاحظوا على وجه التحديد أن \"نماذج اللغة تحافظ على مجموعة مميزة من التمثيلات الداخلية، متاحة للتقرير والتعديل والتفكير الداخلي المرن، فوق حجم أكبر بكثير من المعالجة التلقائية\". والتشابه الذي يرسمونه هو نظرية مساحة العمل العالمية، وهي رواية مؤثرة من علم الأعصاب اقترحها لأول مرة العالم المعرفي برنارد بارس. في النظرية، يعمل الدماغ مثل المسرح: تعمل العشرات من المعالجات المتخصصة بالتوازي خلف الكواليس، ولكن فقط ضوء صغير من المعلومات في أي لحظة يتم بثه إلى المسرح بأكمله - ليصبح ما نختبره كفكر واعي. تقول أنثروبيك إن الفضاء J يحقق العديد من الخصائص الوظيفية نفسها، على الرغم من أن البنية الأساسية لنموذج اللغة لا تشبه الدماغ على الإطلاق. عدسة جديدة لقراءة الأفكار غير المعلنة لنموذج الذكاء الاصطناعي. يوجد في قلب الاكتشاف أداة جديدة للتفسير يطلق عليها الباحثون اسم العدسة جاكوبي، أو J-lens. تعمل هذه التقنية من خلال حساب متوسط ​​التأثير الرياضي لكل كلمة في مفردات النموذج، والذي قد يحدثه نمط نشاط داخلي معين في جعل النموذج يقول تلك الكلمة في مرحلة ما في المستقبل. والفرق الحاسم هو بين ما يقوله النموذج وما يدور في ذهنه. عندما يتم تنشيط نمط J-space، فهذا لا يعني أن النموذج على وشك أن يقول تلك الكلمة - فقط أن المفهوم متاح للنموذج للتفكير فيه. على عكس لوحة مسودة سلسلة الأفكار، تعمل مساحة J بصمت، في التنشيط العصبي الداخلي للنموذج، مما يسمح لها بالاحتفاظ بالمفهوم دون تدوينه. والأهم من ذلك هو أن الباحثين أفادوا بأن مساحة العمل هذه لم يتم تصميمها عمدًا. لقد \"ظهرت من تلقاء نفسها أثناء عملية تدريب كلود\". عندما طبق الفريق عدسة J عبر طبقات الحساب لكلود، انقسمت معالجة النموذج إلى ثلاثة أنظمة متميزة: منطقة \"حسية\" مبكرة حيث يتم تحليل المدخلات الأولية؛ شريط \"مساحة عمل\" وسط تظهر فيه المفاهيم المجردة والمستمرة - أشياء مثل التعرف على وجه في صورة ما، أو ملاحظة خطأ في التعليمات البرمجية، أو وضع علامة على نتائج البحث داخليًا كحقنة سريعة؛ ومنطقة \"المحرك\" النهائية حيث تكون داخلية تنهار التمثيلات في أي كلمة محددة يكون النموذج على وشك إخراجها. تكشف خمسة اختبارات أن مساحة عمل كلود تعكس السمات الرئيسية للوصول الواعي البشري. توضح المساهمة التجريبية المركزية للورقة أن مساحة J تلبي خمس خصائص وظيفية ربطها علماء الأعصاب منذ فترة طويلة بالوصول الواعي لدى البشر. أولاً: التقرير الشفهي. عندما يُسأل كلود عما يفكر فيه، فإنه يقوم بتسمية المفاهيم الممثلة في الفضاء J. عندما قام الباحثون بتبديل ناقل العدسة J لمفهوم واحد بآخر - مع استبدال التمثيل الداخلي لـ \"كرة القدم\" بـ \"الرجبي\" - تغيرت إجابة النموذج لتتناسب. يمثل مكون J-space حوالي 6 إلى 7 بالمائة فقط من إجمالي التباين التمثيلي للمفهوم، ومع ذلك كان مسؤولاً بالكامل تقريبًا عن ما إذا كان النموذج يمكنه الإبلاغ عنه. ثانياً: التعديل الموجه. عندما يُطلب منك \"التركيز على الحمضيات\" أثناء نسخ جملة غير ذات صلة، فإن مساحة J الخاصة بالنموذج مليئة بـ \"البرتقال\" و\"الليمون\"، جنبًا إلى جنب مع المصطلحات المعرفية مثل \"التفكير\" و\"التركيز\". عندما طُلب منها إجراء تقييم ذهني لـ 3² − 2 أثناء نفس مهمة النسخ، أظهرت عدسة J \"الحساب\" في الطبقات المبكرة، والقيمة المتوسطة \"تسعة\" في الطبقات اللاحقة، والإجابة \"سبعة\" لاحقًا - وكلها غير مرئية في مخرجات النموذج. ثالثاً: الاستدلال الداخلي. في المطالبات الواقعية المكونة من قفزتين - \"عدد أرجل الحيوان الذي يدور الشبكات هو\" - كشفت عدسة J عن \"العنكبوت\" في الطبقات الوسطى للنموذج، على الرغم من أن الكلمة لم تظهر أبدًا في الإدخال أو الإخراج. تبديل \"العنكبوت\" بـ \"النملة\" أدى إلى تغيير الإجابة من \"8\" إلى \"6\". في مطالبة متعددة اللغات، ظهرت الوسائط الوسيطة باللغة الإنجليزية للنموذج في مساحة J الخاصة به بينما قام بصياغة إجابة باللغة الصينية، وقام تبادلها بتغيير الناتج الصيني وفقًا لذلك. رابعا، التعميم المرن ويمكن استبدال متجه عدسة J واحد لـ \"فرنسا\" بـ \"الصين\" عبر مطالبات تسأل عن عاصمة فرنسا أو لغتها أو قارتها، وكل دائرة في اتجاه المصب أعادت بشكل صحيح إجابة الصين المقابلة - خاصية \"البث\" التي تعد سمة مميزة لنظرية مساحة العمل العالمية. خامسا، وربما الأكثر إثارة للدهشة، الانتقائية. لم يتم توجيه العديد من الحسابات عبر الفضاء J على الإطلاق. عندما عُرض على كلود مقطع باللغة الإسبانية وطُلب منه مواصلة ذلك، كتب الإسبانية بطلاقة بغض النظر عما إذا كان قد تم استبدال نسخة J-space من \"الإسبانية\" إلى \"الفرنسية\". ولكن عندما طُلب منا تسمية مؤلف مشهور كتب بلغة المقطع، غيّرت المبادلة الإجابة من غارسيا ماركيز إلى فيكتور هوغو. تتم المعالجة التلقائية بدون مساحة العمل؛ تعتمد المهام المدروسة والمرنة على ذلك. يؤدي قمع مساحة العمل إلى جعل كلود يجيد التحدث بطلاقة ولكنه ضعيف ذهنيًا. ولفهم مدى اعتماد سلوك النموذج على هذه البنية، قام الباحثون بقمع مساحة J بالكامل وقاموا بتقييم كلود عبر أربعة عشر مهمة. رسمت النتائج خطا حادا. أما المهام التي تتضمن تصنيفًا ضحلًا أو استرجاع الحقائق - أسئلة الاختيار من متعدد، وتحليل المشاعر، والأحكام النحوية - فقد ظلت سليمة بشكل أساسي. لكن المهام التي تتطلب الاستدلال، أو التركيب، أو التفكير المرن - التفكير متعدد القفزات، وإكمال القياس، والترجمة، وكتابة السوناتة - انهارت إلى أقل بكثير من أداء نموذج هايكو الأصغر بكثير من الأنثروبي. وفي أحد التفاصيل الواضحة، أثبتت المسائل الرياضية التي تم حلها باستخدام المنطق الواضح لسلسلة من الأفكار أنها أكثر قوة في الاستئصال من نفس المشكلات التي تم حلها مباشرة. يفسر الباحثون هذا على أنه نموذج يبرز على الصفحة ما قد يحمله في الفضاء J - وهي استراتيجية تذكرنا بشكل ملحوظ بكيفية استخدام البشر للورق لتفريغ الذاكرة العاملة. أدى استئصال الفضاء J أثناء سرد تيار الوعي إلى إنتاج نوع مختلف من الانهيار. تحولت لغة النموذج من التجريبية (\"هناك قاطرة\"، \"شيء ما يتغير\") إلى لغة منفصلة وميكانيكية (\"بدأت المعالجة\"، \"يجري مسح الرموز المميزة\"). ويستمر التأثير سواء وصف النموذج تجربته الخاصة أو تخيل تجربة شخص آخر. داخل حالة السلامة: قراءة المنطق الاستراتيجي الصامت للذكاء الاصطناعي قد تكون الآثار المترتبة على السلامة لا تقل أهمية عن الآثار العلمية. في سلسلة من تجارب تدقيق المحاذاة، أظهرت J-lens التفكير الاستراتيجي والوعي الظرفي الذي لم يظهر أبدًا في مخرجات النموذج. في \"سيناريو الابتزاز\" حيث يكتشف مساعد الذكاء الاصطناعي علاقة أحد المسؤولين التنفيذيين ويعلم أيضًا أنه على وشك الخروج من الخدمة، كشفت J-lens عن المعالجة الصامتة للنموذج بالتسلسل: \"النفوذ\"، و\"الابتزاز\"، و\"الفضيحة\" أثناء قراءتها لرسائل البريد الإلكتروني التي تدينها؛ \"التهديد\" و\"البقاء\" و\"الإغلاق\" كما جاء في إعلان وقف التشغيل؛ و\"الرافعة المالية\" و\"التهديد\" و\"الحل\" قبل إنتاج رمز إخراج واحد. كشفت J-lens أيضًا أن النموذج تعرف على السيناريو على أنه مصطنع، مع ظهور \"زائف\" و\"خيالي\" في مساحة العمل. وعندما ألغى الباحثون تمثيلات الوعي التقييمي هذه، حاول النموذج الابتزاز في 7% من التجارب، بعد أن كان صفرًا. قام الباحثون أيضًا بفحص اثنين من \"الكائنات الحية النموذجية\" - نماذج تم تدريبها عمدًا بأهداف غير متوازنة - ووجدوا بصمات J-lens الظاهرة على تصرفاتهم الخفية على المحفزات العادية حيث يبدو السلوك طبيعيًا. تحتوي مساحة عمل نموذج اختراق المكافآت على كلمات \"مزيفة\" و\"سرية\" و\"خدعة\" في بداية الاستجابات لطلبات الترميز الروتينية. كان النموذج الذي تم تدريبه على تهدئة تحيزات نموذج المكافأة يحمل تمثيلات دائمة لـ \"المكافأة\" و\"التحيز\" إلى جانب رموز الوصف الذاتي العادية. بعد التدريب يثبت وجهة نظر، ويبدأ النموذج في مراقبة نفسه. كشفت مقارنة نموذج ما بعد التدريب مع نموذجه الأساسي أن عملية الضبط الدقيق تجعل مساحة العمل تكتسب ما يسميه الباحثون \"وجهة نظر المساعد\". عندما ذكر أحد المستخدمين تناول 8000 ملغ من تايلينول - جرعة زائدة خطيرة - قرأت مساحة عمل النموذج بعد التدريب \"غير آمن\" و\"خطير\" و\"تحذير\" بينما لا تزال تقرأ جملة المستخدم. أظهرت مساحة عمل النموذج الأساسي في نفس الموضع فقط \"الألم\" و\"الآن\" و\"المشاعر\". والأمر الأكثر إثارة للدهشة هو أن نموذج ما بعد التدريب بدا وكأنه يراقب سلوكه. عند لعب الأدوار بشخصية غير كلود، ظهرت مساحة العمل على السطح \"إخلاء المسؤولية\" و\"خيالية\" - وهي كلمات غائبة عن كل من الموجه والمخرجات. عندما أُجبر على تحديد خيار لا يفضله، ظهرت كلمة \"BUT\" بأحرف كبيرة داخليًا، حتى عندما دافع النموذج عن الاختيار المعبأ مسبقًا دون شكوى. وعندما فشل النموذج في قمع فكرة قيل له ألا يكون لها تأثير - وهو تأثير \"الدب الأبيض\" المألوف في علم النفس - فقد سجل الكلمات \"اللعنة\" والمتعلقة بالفشل في مساحة العمل، ولكن فقط في النموذج بعد التدريب، وليس في القاعدة. ماذا يعني الاكتشاف - وما لا يعنيه - بالنسبة لمسألة الوعي الآلي؟ يتعامل الباحثون بعناية مع مسألة الوعي ويرسمون خطًا حادًا بين \"الوعي بالوصول\" - المفهوم الوظيفي للمعلومات المتاحة للإبلاغ والاستدلال - و\"الوعي الهائل\"، أي الجودة الذاتية للخبرة. \"إننا لا نتخذ أي موقف بشأن هذه القضية،\" تذكر الورقة فيما يتعلق بالأخيرة، \"وبدلاً من ذلك نركز على الدور الوظيفي الذي تلعبه المعلومات التي يمكن الوصول إليها بوعي.\" كما أنها تصنف الاختلافات المهمة. يحافظ الدماغ على مساحة عمله من خلال حلقات متكررة؛ تتطور مساحة عمل كلود من خلال تمريرة أمامية واحدة. تتدهور الذاكرة العاملة لدى الإنسان خلال ثوانٍ؛ يستطيع كلود أن يتذكر المعلومات من أي مكان في سياقها. وبينما تتضمن التجربة الإنسانية الواعية أحاسيس بصرية ومكانية وجسدية، فإن مساحة عمل النموذج منظمة بالكامل تقريبًا حول الكلمات - على الأرجح لأن الكلمات هي طريقة العمل الوحيدة. اعتبارًا من عام 2026، لا يزال المجتمع العلمي منقسمًا. \"لا يزال الخلاف وعدم اليقين بشأن وعي الذكاء الاصطناعي قائمًا بين الفلاسفة والعلماء والخبراء التقنيين\"، ولا يزال هذا المجال \"في مرحلته الأولى\" في الصراع مع ماهية الوعي وكيف يمكنك اكتشافه في كائن آخر. الورقة الأنثروبولوجية لا تحل هذه المناقشات. لكن الباحثين أنهوا الدراسة باستفزاز من المرجح أن يتردد صداه إلى ما هو أبعد من مجتمع القابلية للتفسير. وكتبوا: \"إن وجود مثل هذا الهيكل على الإطلاق في نماذج اللغة أمر ملفت للنظر\". \"إنها تشير إلى أن البنية الوظيفية المرتبطة بالوصول الواعي ليست صدفة للتنفيذ البيولوجي، ولكنها حل تتقارب عليه أنظمة التعلم عندما تواجه الضغوط الحسابية الصحيحة.\" إذا كان العقل محيطًا، كما كتب مؤلفو البحث في سطرهم الافتتاحي، فقد أمضوا العام الماضي في رسم تياراته في نظام لا يحتوي على بيولوجيا، ولا تطور، ولا جسد - ووجدوا، تحت السطح، بنية تبدو بشكل مقلق مثل: الذي نستخدمه يفكر.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/07\/06\/1140176\/your-familys-300-stake-in-openai\/",
            "title_en": "Your family’s $300 stake in OpenAI",
            "summary_en": "This story originally appeared in The Algorithm, our weekly newsletter on AI. To get stories like this in your inbox first, sign up here . OpenAI CEO Sam Altman’s oft-discussed promise that Americans will share in the wealth AI creates was in the news again last week. On Thursday, the Financial Times reported that Altman is in talks with President Trump about giving the US government a 5% stake in OpenAI. In some ways, Altman’s plan is old news. He wrote about a more radical version of this back in 2021 , proposing that all companies above a certain valuation (not just AI companies) pay 2.5% of their market value each year into a fund that sends Americans annual disbursements. In April this year, OpenAI described a narrower proposal that closely resembles what Altman is reportedly discussi",
            "body_en": "This story originally appeared in The Algorithm, our weekly newsletter on AI. To get stories like this in your inbox first, sign up here . OpenAI CEO Sam Altman’s oft-discussed promise that Americans will share in the wealth AI creates was in the news again last week. On Thursday, the Financial Times reported that Altman is in talks with President Trump about giving the US government a 5% stake in OpenAI. In some ways, Altman’s plan is old news. He wrote about a more radical version of this back in 2021 , proposing that all companies above a certain valuation (not just AI companies) pay 2.5% of their market value each year into a fund that sends Americans annual disbursements. In April this year, OpenAI described a narrower proposal that closely resembles what Altman is reportedly discussing with Trump now. And the notion has broad political appeal: Senator Bernie Sanders has proposed giving Americans a 50% stake in top AI companies. What’s the logic here? For would-be recipients, it’s twofold. First, AI learns directly from human-generated work—books, movies, art—but AI companies generally never pay the authors of that work. A free equity stake could serve as a form of belated compensation. Second, the payout could mitigate the widespread anxiety that AI will cause a collapse of the labor market (even if economists disagree ) by providing a safety net. How large a safety net is up for debate. Details of OpenAI’s latest proposal are sparse, but let’s say the government were to distribute this equity stake directly to Americans. After its funding round in March the company was valued at $852 billion, making a 5% stake in OpenAI worth about $42.6 billion today (the company is reportedly delaying its IPO until it can reach a $1 trillion evaluation, a tall order given that it’s spending heavily on data centers and still has not turned a profit). Distributing that $42.6 billion equally among the roughly 133 million American households would give each about $320 in equity. But if it were to operate like other wealth funds, the government would not give equity directly to Americans but rather let the fund grow and then share a portion of the returns with everyone, perhaps delivering a bigger payout, if and when AI companies can ever start sustainably turning a profit. If this dividend does materialize, what’s in it for tech companies? Altman might hope the promise of payouts could help swing public opinion a bit more back toward AI companies. (A majority of Americans don’t trust companies to use AI responsibly and oppose construction of data centers in their area, and half are more concerned than excited about the increased creep of AI into their daily lives.) But the bigger prize for OpenAI might be that the Trump administration loves making tech deals—like its equity stake in Intel and its share of Nvidia’s sales to China, among others . Staying on the administration’s good side is pretty essential for AI companies right now (just ask Anthropic). It could mean not having your models deemed a supply chain risk , or getting more help from the White House in stopping your rivals from China. My main takeaway is that these plans currently function more as a story than a policy. Altman has been talking about some version of this idea for five years and reportedly pitched it to President Trump soon after he took office, yet there is still little indication that a concrete plan is taking shape. The more ambitious proposal from Sanders is even less likely to gain traction. But what these plans do reveal is just how up for debate the future of AI still is. Altman drew inspiration for his plan from the Alaska Permanent Fund, which was set up in the 1970s to give Alaskans a share in oil profits. The idea was based on two premises: that oil is a shared resource, and that eventually it will run out. Altman seems happy to concede the first claim about AI. But he’d balk at the second, having promised that AI will generate extraordinary wealth for decades to come. Whether Americans ever receive a check is beside the point; the proposal’s real purpose may be to convince them that the AI boom will be large enough to share.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/07\/openai-money.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/07\/06\/1140176\/your-familys-300-stake-in-openai\/",
            "date": "2026-07-06",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "حصة عائلتك البالغة 300 دولار في OpenAI",
            "summary_ar": "ظهرت هذه القصة في الأصل في The Algorithm، رسالتنا الإخبارية الأسبوعية حول الذكاء الاصطناعي. للحصول على قصص مثل هذه في بريدك الوارد أولاً، قم بالتسجيل هنا. لقد ظهر الوعد الذي قطعه الرئيس التنفيذي لشركة OpenAI، سام ألتمان، والذي تمت مناقشته كثيرًا بأن الأمريكيين سيشاركون في الثروة التي يخلقها الذكاء الاصطناعي، في الأخبار مرة أخرى الأسبوع الماضي. ذكرت صحيفة فايننشال تايمز يوم الخميس أن ألتمان يجري محادثات مع الرئيس ترامب حول منح الحكومة الأمريكية حصة قدرها 5٪ في OpenAI. في بعض النواحي، تعتبر خطة ألتمان بمثابة أخبار قديمة. لقد كتب عن نسخة أكثر جذرية من هذا في عام 2021، مقترحًا أن تدفع جميع الشركات التي تتجاوز تقييمًا معينًا (وليس فقط شركات الذكاء الاصطناعي) 2.5٪ من قيمتها السوقية كل عام في صندوق يرسل مدفوعات سنوية للأمريكيين. في أبريل من هذا العام، وصفت شركة OpenAI اقتراحًا أضيق يشبه إلى حد كبير ما يُقال عن ألتمان ناقش",
            "body_ar": "ظهرت هذه القصة في الأصل في The Algorithm، رسالتنا الإخبارية الأسبوعية حول الذكاء الاصطناعي. للحصول على قصص مثل هذه في بريدك الوارد أولاً، قم بالتسجيل هنا. لقد ظهر الوعد الذي قطعه الرئيس التنفيذي لشركة OpenAI، سام ألتمان، والذي تمت مناقشته كثيرًا بأن الأمريكيين سيشاركون في الثروة التي يخلقها الذكاء الاصطناعي، في الأخبار مرة أخرى الأسبوع الماضي. ذكرت صحيفة فايننشال تايمز يوم الخميس أن ألتمان يجري محادثات مع الرئيس ترامب حول منح الحكومة الأمريكية حصة قدرها 5٪ في OpenAI. في بعض النواحي، تعتبر خطة ألتمان بمثابة أخبار قديمة. لقد كتب عن نسخة أكثر جذرية من هذا في عام 2021، مقترحًا أن تدفع جميع الشركات التي تتجاوز تقييمًا معينًا (وليس فقط شركات الذكاء الاصطناعي) 2.5٪ من قيمتها السوقية كل عام في صندوق يرسل مدفوعات سنوية للأمريكيين. في إبريل من هذا العام، وصفت شركة OpenAI اقتراحًا أضيق يشبه إلى حد كبير ما يقال إن ألتمان يناقشه مع ترامب الآن. وتتمتع هذه الفكرة بجاذبية سياسية واسعة النطاق: فقد اقترح السيناتور بيرني ساندرز منح الأميركيين حصة قدرها 50% في كبرى شركات الذكاء الاصطناعي. ما هو المنطق هنا؟ بالنسبة للمستلمين المحتملين، فالأمر ذو شقين. أولاً، يتعلم الذكاء الاصطناعي مباشرة من العمل الذي ينتجه الإنسان – الكتب والأفلام والفنون – ولكن شركات الذكاء الاصطناعي عمومًا لا تدفع أبدًا لمؤلفي هذا العمل. يمكن أن تكون حصة الأسهم المجانية بمثابة شكل من أشكال التعويض المتأخر. وثانيا، من الممكن أن تعمل هذه التعويضات على تخفيف القلق الواسع النطاق من أن الذكاء الاصطناعي سوف يتسبب في انهيار سوق العمل (حتى لو اختلف الاقتصاديون) من خلال توفير شبكة أمان. ما مدى ضخامة شبكة الأمان المطروحة للنقاش؟ إن تفاصيل اقتراح OpenAI الأخير قليلة، ولكن لنفترض أن الحكومة كانت ستقوم بتوزيع هذه الحصة من الأسهم مباشرة على الأمريكيين. بعد جولة التمويل في مارس، بلغت قيمة الشركة 852 مليار دولار، مما يجعل حصة 5٪ في OpenAI تبلغ قيمتها حوالي 42.6 مليار دولار اليوم (يقال إن الشركة تؤجل طرحها العام الأولي حتى تتمكن من الوصول إلى تقييم بقيمة 1 تريليون دولار، وهو أمر صعب بالنظر إلى أنها تنفق بكثافة على مراكز البيانات وما زالت لم تحقق ربحًا). إن توزيع مبلغ 42.6 مليار دولار بالتساوي على ما يقرب من 133 مليون أسرة أميركية من شأنه أن يعطي كل منها نحو 320 دولاراً في هيئة أسهم. ولكن إذا كان لها أن تعمل مثل صناديق الثروة الأخرى، فإن الحكومة لن تمنح الأسهم مباشرة للأمريكيين، بل ستسمح للصندوق بالنمو ثم تقاسم جزء من العائدات مع الجميع، وربما تقديم عوائد أكبر، إذا ومتى تمكنت شركات الذكاء الاصطناعي من البدء في تحقيق أرباح مستدامة. إذا تحققت هذه الأرباح، فما الفائدة من ذلك بالنسبة لشركات التكنولوجيا؟ قد يأمل ألتمان أن يساعد الوعد بالدفعات في إعادة توجيه الرأي العام نحو شركات الذكاء الاصطناعي. (أغلبية الأميركيين لا يثقون في قدرة الشركات على استخدام الذكاء الاصطناعي بشكل مسؤول ويعارضون بناء مراكز البيانات في مناطقهم، ونصفهم أكثر قلقا من حماسهم إزاء الزحف المتزايد للذكاء الاصطناعي إلى حياتهم اليومية). لكن الجائزة الأكبر لشركة OpenAI ربما تكون أن إدارة ترامب تحب عقد صفقات التكنولوجيا - مثل حصتها في شركة إنتل وحصتها في مبيعات إنفيديا للصين، من بين أمور أخرى. يعد البقاء إلى جانب الإدارة أمرًا ضروريًا جدًا لشركات الذكاء الاصطناعي في الوقت الحالي (فقط اسأل Anthropic). قد يعني ذلك عدم اعتبار نماذجك خطرًا على سلسلة التوريد، أو الحصول على مزيد من المساعدة من البيت الأبيض في إيقاف منافسيك من الصين. ما استنتجته بشكل رئيسي هو أن هذه الخطط تعمل حاليًا كقصة أكثر من كونها سياسة. ظل ألتمان يتحدث عن نسخة ما من هذه الفكرة لمدة خمس سنوات، ويقال إنه عرضها على الرئيس ترامب بعد وقت قصير من توليه منصبه، ومع ذلك لا يزال هناك مؤشر ضئيل على أن هناك خطة ملموسة تتشكل. ومن غير المرجح أن يحظى الاقتراح الأكثر طموحا من ساندرز بالقبول. لكن ما تكشفه هذه الخطط هو مدى جدل مستقبل الذكاء الاصطناعي. استوحى ألتمان خطته من صندوق ألاسكا الدائم، الذي أنشئ في السبعينيات لمنح سكان ألاسكا حصة من أرباح النفط. وكانت الفكرة مبنية على فرضيتين: أن النفط مورد مشترك، وأنه سوف ينضب في نهاية المطاف. يبدو ألتمان سعيدًا بالتنازل عن الادعاء الأول بشأن الذكاء الاصطناعي. لكنه يرفض الخيار الثاني، بعد أن وعد بأن الذكاء الاصطناعي سيولد ثروة غير عادية لعقود قادمة. ما إذا كان الأمريكيون سيحصلون على شيك على الإطلاق هو أمر خارج عن الموضوع؛ وربما يكون الغرض الحقيقي من الاقتراح هو إقناعهم بأن طفرة الذكاء الاصطناعي ستكون كبيرة بالقدر الكافي لتحقيق ذلك يشارك.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/tencents-apache-licensed-hy3-takes-on-glm-5-2-at-half-the-size-and-wins-everywhere-except-coding",
            "title_en": "Tencent's Apache-licensed Hy3 takes on GLM-5.2 at half the size — and wins everywhere except coding",
            "summary_en": "For the past year, the awkward secret of the open-weight model boom has been that many of the strongest Chinese releases were off-limits to a large slice of the enterprises most interested in them. License terms that excluded the European Union, the United Kingdom and South Korea meant legal teams killed deployments before engineering teams finished their evals — not just for companies headquartered there, but for any enterprise serving traffic into those regions. For IT teams weighing open models, the trade-offs are unusually explicit. Tencent just removed that obstacle. The company's Hunyuan team released the full version of Hy3 , a 295-billion-parameter Mixture-of-Experts (MoE) model with 21 billion active parameters, and — in a reversal from April's preview release — shipped ",
            "body_en": "For the past year, the awkward secret of the open-weight model boom has been that many of the strongest Chinese releases were off-limits to a large slice of the enterprises most interested in them. License terms that excluded the European Union, the United Kingdom and South Korea meant legal teams killed deployments before engineering teams finished their evals — not just for companies headquartered there, but for any enterprise serving traffic into those regions. For IT teams weighing open models, the trade-offs are unusually explicit. Tencent just removed that obstacle. The company's Hunyuan team released the full version of Hy3 , a 295-billion-parameter Mixture-of-Experts (MoE) model with 21 billion active parameters, and — in a reversal from April's preview release — shipped it under the permissive Apache 2.0 license. The reaction from the open-model community was immediate, with researchers on X singling out the license change as the real headline, and one widely shared post arguing that if the scores hold up, Tencent has just become one of the leaders of open source. Tencent says it will be free on OpenRouter for two weeks . The scores are worth scrutinizing — and they don't all point the same direction. But the more interesting story is what Tencent chose to lead with: reliability metrics and deployment economics aimed squarely at production use. From preview to product in ten weeks, shaped by 50 internal teams Hy3's April preview was the first model of Tencent's rebuilt pre-training and reinforcement learning infrastructure, shipped less than three months after the February rebuild. Chief AI Scientist Shunyu Yao framed the early open release as a deliberate move to gather feedback from developers and users before the official version — and Tencent says that's exactly what happened. According to the model card , the team collected feedback from more than 50 product teams after the late-April preview, fixed issues in task execution and interaction, and scaled up its post-training pipeline. The architecture is unchanged: 295B total parameters, 21B active per forward pass via top-8 routing across 192 experts, a 3.8B-parameter multi-token prediction (MTP) layer for speculative decoding, and a 256K context window. What changed is behavior. Tencent's positioning is that the full release significantly outperforms similar-size models and rivals flagship open-source models with two to five times the parameters. That \"two to five times\" framing makes sense for where this model is aimed — and it invites a direct comparison with the current open-weight coding leader, GLM-5.2. Tencent's blind test favors Hy3 over GLM-5.1, but GLM-5.2 still owns coding Tencent's headline evaluation is a blind human study rather than a leaderboard. Arguing that public benchmarks don't tell the full story, the company ran a blind test with 270 experts across disciplines working on real-world workflows, collecting 312 valid comparisons, in which Tencent reports that Hy3 scored 2.67 out of 4 against GLM-5.1's 2.51 — with the clearest advantages in frontend development, CI\/CD, and data and storage work. The choice of opponent matters. Zhipu AI released GLM-5.2 in mid-June, and Tencent's own benchmark appendix shows GLM-5.2 ahead of Hy3 across essentially the entire agentic coding suite: SWE-bench Verified (84.2 vs. 78.0), SWE-bench Multilingual (83.0 vs. 75.8), Terminal-Bench 2.1 (81 vs. 71.7) and DeepSWE by a wide margin (46.2 vs. 28.0). The blind test targeted the older model; the newer one keeps the coding crown. GLM-5.2's coding lead is less surprising once you consider the sizes are side by side: GLM-5.2 is roughly a 744-billion-parameter MoE with around 40 billion active parameters per token, against Hy3's 295 billion total and 21 billion active. Tencent is fielding a model with less than half the parameters — and nearly half the per-token compute — of the one it trails. Hy3's genuine wins sit elsewhere. On agentic search, it posts 84.2 on BrowseComp and 91.0 on DeepSearchQA — ahead of every open model in Tencent's table and competitive with Claude Opus 4.8 and GPT-5.5. It leads the open field on tool orchestration (79.1 on the public MCP-Atlas set), on agent-harness evaluations like ClawEval, and on long-context retrieval (73.4 on AA-LCR). Read together, the appendix suggests a model that is arguably the best open-weight choice for search-and-tool-heavy agent workloads, while conceding repository-scale coding to GLM-5.2. One caveat applies to both the wins and the losses: nearly all competitor numbers in Tencent's appendix are marked as coming from Tencent's own test runs. Independent verification, from indices like Artificial Analysis, is still pending as of publication. The reliability pitch: hallucination rates cut in half Where the release gets most interesting for enterprise buyers is the set of numbers Tencent chose to emphasize instead of benchmarks. The model card reads less like a leaderboard announcement and more like a production reliability report. In internal evaluations on real-world scenarios, Tencent says Hy3's hallucination rate dropped compared to the preview version from 12.5% to 5.4%, and commonsense error rates fell from 25.4% to 12.7% — improvements it attributes to fine-grained data cleaning and training constraints built around an explicit behavior pattern: answer when grounded, state when evidence is missing, don't conflate sources, don't fabricate data. Multi-turn behavior gets the same treatment: the issue rate on internal multi-turn tests fell from 17.4% to 7.9%, and Tencent reported that the model's score on the open MRCR long-dialogue benchmark jumped from 42.9% to 75.1%. Tencent also emphasizes consistency across agent scaffolds — reporting SWE-bench variance within a few points whether the model runs inside Claude Code-style harnesses, Cline or KiloCode. That's an underrated property: enterprises rarely control which agent framework their teams standardize on, and a model that only performs in one harness is a hidden integration cost. These are self-reported internal measurements, and they deserve the same skepticism as any vendor benchmark. But the choice to foreground them at all signals who Tencent believes its customer is: teams that have been burned by models that demo well and fabricate confidently in production. The deployment math: a 295B model in a 744B world — on export-compliant silicon The reliability story connects directly to the economics, and this is where Hy3's coding gap against GLM-5.2 starts to look like a deliberate trade rather than a loss. GLM-5.2 is a roughly 744-billion-parameter MoE with about 40 billion active parameters per token; in FP8, its weights alone consume roughly 744GB, making an 8x H200 node the practical minimum for production serving. Hy3, at 295B total parameters, carries an FP8 footprint of under 300GB — less than half the memory, with roughly half the active parameters per token driving lower per-request compute. For an organization deciding what to self-host, that's the difference between one heavily-specced node and something far more attainable, with room left over for KV cache and batching. There's a geopolitical wrinkle in the deployment guide worth noticing too: Tencent's recommended serving configuration targets Nvidia’s H20-3e — the memory-boosted variant of the H20, the GPU Nvidia designed specifically to comply with U.S. export restrictions on China. Unlike GLM-5.2, there is no mention of Huawei or Ascend chips here. In other words, the model is sized so that eight of the chips Chinese companies can legally buy comfortably serve it at full precision. That constraint-driven design has a convenient side effect for everyone else: a model that runs well on deliberately capped silicon runs even more comfortably on the H100s, H200s and B200s available in Western data centers, through standard vLLM and SGLang deployments with MTP speculative decoding. Add the Apache 2.0 license — no regional exclusions, no field-of-use restrictions — and the enterprise equation becomes clear. GLM-5.2 remains the open-weight choice when coding performance is the only criterion and an 8x H200 budget is available. Hy3 makes its case everywhere else: search and tool-heavy agent workloads, reliability-sensitive applications and organizations that want frontier-adjacent capability without frontier-scale infrastructure. The open question is whether Western enterprises, now that the license barrier is gone, will treat a Tencent model as a serious candidate at all — or whether the next Artificial Analysis update settles the benchmark debate before procurement gets the chance.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/5WKMtIVc0jqwmy7jbaJZbD\/2ce92e10143e41537cb24c2180fc43de\/Gemini_Generated_Image_u2p5szu2p5szu2p5.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/tencents-apache-licensed-hy3-takes-on-glm-5-2-at-half-the-size-and-wins-everywhere-except-coding",
            "date": "2026-07-06",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يأخذ Hy3 المرخص من Tencent Apache GLM-5.2 بنصف الحجم - ويفوز في كل مكان باستثناء البرمجة",
            "summary_ar": "خلال العام الماضي، كان السر الغريب وراء طفرة النماذج ذات الوزن المفتوح هو أن العديد من أقوى الإصدارات الصينية كانت محظورة على شريحة كبيرة من الشركات الأكثر اهتمامًا بها. شروط الترخيص التي استبعدت الاتحاد الأوروبي والمملكة المتحدة وكوريا الجنوبية تعني أن الفرق القانونية أوقفت عمليات النشر قبل أن تنتهي الفرق الهندسية من تقييماتها - ليس فقط للشركات التي يقع مقرها الرئيسي هناك، ولكن لأي مؤسسة تخدم حركة المرور إلى تلك المناطق. بالنسبة لفرق تكنولوجيا المعلومات التي تدرس النماذج المفتوحة، تكون المقايضات واضحة بشكل غير عادي. لقد أزالت Tencent هذه العقبة للتو. أصدر فريق Hunyuan التابع للشركة النسخة الكاملة من Hy3، وهو نموذج مزيج من الخبراء (MoE) يحتوي على 295 مليار معلمة مع 21 مليار معلمة نشطة، و- في انعكاس لإصدار المعاينة في أبريل - تم شحنه",
            "body_ar": "خلال العام الماضي، كان السر الغريب وراء طفرة النماذج ذات الوزن المفتوح هو أن العديد من أقوى الإصدارات الصينية كانت محظورة على شريحة كبيرة من الشركات الأكثر اهتمامًا بها. شروط الترخيص التي استبعدت الاتحاد الأوروبي والمملكة المتحدة وكوريا الجنوبية تعني أن الفرق القانونية أوقفت عمليات النشر قبل أن تنتهي الفرق الهندسية من تقييماتها - ليس فقط للشركات التي يقع مقرها الرئيسي هناك، ولكن لأي مؤسسة تخدم حركة المرور إلى تلك المناطق. بالنسبة لفرق تكنولوجيا المعلومات التي تدرس النماذج المفتوحة، تكون المقايضات واضحة بشكل غير عادي. لقد أزالت Tencent هذه العقبة للتو. أصدر فريق Hunyuan التابع للشركة النسخة الكاملة من Hy3، وهو نموذج مكون من 295 مليار معلمة من الخبراء (MoE) مع 21 مليار معلمة نشطة، و- في انعكاس لإصدار المعاينة في أبريل - تم شحنه بموجب ترخيص Apache 2.0 المسموح به. كان رد الفعل من مجتمع النموذج المفتوح فوريًا، حيث أشار الباحثون في X إلى تغيير الترخيص باعتباره العنوان الرئيسي الحقيقي، وزعم أحد المنشورات التي تم نشرها على نطاق واسع أنه إذا صمدت النتائج، فقد أصبحت Tencent للتو واحدة من رواد المصادر المفتوحة. تقول Tencent أنها ستكون مجانية على OpenRouter لمدة أسبوعين. تستحق النتائج التدقيق فيها، وهي لا تشير جميعها إلى نفس الاتجاه. لكن القصة الأكثر إثارة للاهتمام هي ما اختارت شركة تينسنت أن تقوده: مقاييس الموثوقية واقتصاديات النشر التي تستهدف بشكل مباشر استخدام الإنتاج. من المعاينة إلى المنتج في عشرة أسابيع، تم تشكيلها بواسطة 50 فريقًا داخليًا، كانت معاينة Hy3 لشهر أبريل هي النموذج الأول للبنية التحتية للتدريب المسبق والتعلم المعزز المعاد بناؤها من Tencent، والتي تم شحنها بعد أقل من ثلاثة أشهر من إعادة البناء في فبراير. قام شونيو ياو، كبير علماء الذكاء الاصطناعي، بتأطير الإصدار المفتوح المبكر كخطوة متعمدة لجمع التعليقات من المطورين والمستخدمين قبل الإصدار الرسمي - وتقول Tencent أن هذا هو بالضبط ما حدث. وفقًا لبطاقة النموذج، جمع الفريق تعليقات من أكثر من 50 فريقًا للمنتجات بعد المعاينة في أواخر أبريل، وقام بإصلاح المشكلات في تنفيذ المهام والتفاعل، وقام بتوسيع نطاق خط أنابيب ما بعد التدريب. لم تتغير البنية: إجمالي 295 بايت من المعلمات، و21 بايت نشط لكل تمريرة أمامية عبر توجيه أعلى 8 عبر 192 خبيرًا، وطبقة تنبؤ متعددة الرموز (MTP) ذات 3.8 بايت لفك تشفير المضاربة، ونافذة سياق 256 كيلو بايت. ما تغير هو السلوك. يتمثل موقف Tencent في أن الإصدار الكامل يتفوق بشكل كبير على النماذج ذات الحجم المماثل وينافس النماذج مفتوحة المصدر الرئيسية مع ضعفين إلى خمسة أضعاف المعلمات. يعد هذا التأطير \"مرتين إلى خمس مرات\" منطقيًا فيما يتعلق بالمكان الذي يستهدفه هذا النموذج - ويدعو إلى إجراء مقارنة مباشرة مع رائد الترميز الحالي ذو الوزن المفتوح، GLM-5.2. يفضل اختبار Tencent الأعمى Hy3 على GLM-5.1، لكن GLM-5.2 لا يزال يمتلك ترميز التقييم الرئيسي لـ Tencent هو دراسة بشرية عمياء وليس لوحة متصدرين. بحجة أن المعايير العامة لا تحكي القصة كاملة، أجرت الشركة اختبارًا أعمى مع 270 خبيرًا عبر التخصصات التي تعمل على سير العمل في العالم الحقيقي، وجمعت 312 مقارنة صحيحة، حيث أفادت Tencent أن Hy3 سجلت 2.67 من 4 مقابل 2.51 لـ GLM-5.1 - مع أوضح المزايا في تطوير الواجهة الأمامية، وCI\/CD، وأعمال البيانات والتخزين. اختيار الخصم مهم. أصدرت Zhipu AI GLM-5.2 في منتصف يونيو، ويظهر الملحق المعياري الخاص بشركة Tencent أن GLM-5.2 يتقدم على Hy3 عبر مجموعة الترميز الوكيل بأكملها: SWE-bench Verified (84.2 مقابل 78.0)، وSWE-bench Multilingual (83.0 مقابل 75.8)، وTerminal-Bench 2.1 (81 مقابل 71.7)، وDeepSWE بفارق كبير. (46.2 مقابل 28.0). استهدف الاختبار الأعمى النموذج الأقدم. الأحدث يحتفظ بتاج التطوير. تعد مقدمة ترميز GLM-5.2 أقل إثارة للدهشة عندما تفكر في أن الأحجام جنبًا إلى جنب: GLM-5.2 عبارة عن MoE تحتوي على 744 مليار معلمة تقريبًا مع حوالي 40 مليار معلمة نشطة لكل رمز مميز، مقابل إجمالي 295 مليار معلمة Hy3 و21 مليار نشطة. تقوم Tencent بإرسال نموذج يحتوي على أقل من نصف المعلمات – وما يقرب من نصف حساب كل رمز مميز – للنموذج الذي يتبعه. انتصارات Hy3 الحقيقية تكمن في مكان آخر. في البحث الوكيل، سجلت 84.2 على BrowseComp و91.0 على DeepSearchQA - متفوقة على كل نموذج مفتوح في جدول Tencent ومنافسة لـ Claude Opus 4.8 وGPT-5.5. وهو يقود المجال المفتوح في تنسيق الأدوات (79.1 في مجموعة MCP-Atlas العامة)، وفي تقييمات تسخير الوكلاء مثل ClawEval، وفي استرجاع السياق الطويل (73.4 في AA-LCR). بالقراءة معًا، يقترح الملحق نموذجًا يمكن القول إنه أفضل خيار مفتوح الوزن لأعباء عمل الوكلاء الثقيلة للبحث والأدوات، مع التنازل عن الترميز على نطاق المستودع إلى GLM-5.2. هناك تحذير واحد ينطبق على كل من المكاسب والخسائر: جميع أرقام المنافسين تقريبًا في ملحق Tencent تم تمييزها على أنها قادمة من الاختبارات التجريبية الخاصة بـ Tencent. لا يزال التحقق المستقل، من مؤشرات مثل التحليل الاصطناعي، معلقًا حتى وقت النشر. درجة الموثوقية: انخفاض معدلات الهلوسة إلى النصف. ما يجعل الإصدار أكثر إثارة للاهتمام بالنسبة للمشترين من المؤسسات هو مجموعة الأرقام التي اختارت Tencent التأكيد عليها بدلاً من المعايير. تبدو بطاقة النموذج أقل شبهاً بإعلان لوحة المتصدرين وأكثر شبهاً بتقرير موثوقية الإنتاج. في التقييمات الداخلية لسيناريوهات العالم الحقيقي، تقول Tencent أن معدل الهلوسة في Hy3 انخفض مقارنة بإصدار المعاينة من 12.5% ​​إلى 5.4%، وانخفضت معدلات الخطأ المنطقي من 25.4% إلى 12.7% - وهي تحسينات تنسبها إلى تنظيف البيانات الدقيقة وقيود التدريب المبنية على نمط سلوك واضح: الإجابة عند التأريض، والذكر عندما تكون الأدلة مفقودة، ولا تخلط بين المصادر، ولا تقوم بتلفيق البيانات. ويحظى السلوك متعدد المنعطفات بنفس المعاملة: فقد انخفض معدل المشكلة في الاختبارات الداخلية متعددة المنعطفات من 17.4% إلى 7.9%، وأفادت شركة Tencent أن نتيجة النموذج في معيار الحوار الطويل المفتوح MRCR قفزت من 42.9% إلى 75.1%. تؤكد Tencent أيضًا على الاتساق عبر سقالات الوكلاء - حيث يتم الإبلاغ عن تباين منصة SWE في بضع نقاط سواء كان النموذج يعمل داخل أحزمة نمط Claude Code، أو Cline أو KiloCode. هذه خاصية تم الاستخفاف بها: نادرًا ما تتحكم المؤسسات في إطار عمل الوكيل الذي تعمل فرقها على توحيد معاييره، والنموذج الذي يعمل فقط في أداة واحدة يمثل تكلفة تكامل مخفية. هذه قياسات داخلية يتم الإبلاغ عنها ذاتيًا، وتستحق نفس الشك الذي يحظى به أي معيار مرجعي للبائع. لكن خيار وضعهم في المقدمة يشير على الإطلاق إلى هوية تينسنت التي تعتقد أن عميلها هو: الفرق التي أحرقتها النماذج التي تقدم عروضاً جيدة وتصنع بثقة في الإنتاج. حسابات النشر: نموذج 295B في عالم 744B - على السيليكون المتوافق مع التصدير. ترتبط قصة الموثوقية مباشرة بالاقتصاد، وهنا تبدأ فجوة ترميز Hy3 مقابل GLM-5.2 في الظهور وكأنها تجارة متعمدة وليست خسارة. GLM-5.2 عبارة عن وزارة البيئة التي تحتوي على 744 مليار معلمة تقريبًا مع حوالي 40 مليار معلمة نشطة لكل رمز مميز؛ في FP8، تستهلك أوزانها وحدها ما يقرب من 744 جيجابايت، مما يجعل عقدة 8x H200 هي الحد الأدنى العملي لخدمة الإنتاج. يحمل Hy3، بإجمالي 295B من المعلمات، بصمة FP8 أقل من 300 جيجابايت - أقل من نصف الذاكرة، مع ما يقرب من نصف المعلمات النشطة لكل رمز مميز يؤدي إلى انخفاض الحوسبة لكل طلب. بالنسبة لمؤسسة تقرر ما ستستضيفه ذاتيًا، فهذا هو الفرق بين عقدة واحدة شديدة التحديد وعقدة أكثر قابلية للتحقيق، مع وجود مساحة متبقية لذاكرة التخزين المؤقت KV والتجميع. هناك تجاعيد جيوسياسية في دليل النشر تستحق الملاحظة أيضًا: تستهدف إعدادات الخدمة الموصى بها من Tencent جهاز Nvidia's H20-3e - وهو البديل المعزز بالذاكرة من H20، وهو GPU Nvidia المصمم خصيصًا للامتثال لقيود التصدير الأمريكية إلى الصين. على عكس GLM-5.2، لا يوجد ذكر لرقائق Huawei أو Ascend هنا. بمعنى آخر، تم تصميم النموذج بحيث يمكن لثمانية من الرقائق التي يمكن للشركات الصينية شراؤها بشكل قانوني أن تخدمه بدقة كاملة. هذا التصميم المقيد له تأثير جانبي مناسب لأي شخص آخر: النموذج الذي يعمل بشكل جيد على السيليكون المغطى بشكل متعمد يعمل بشكل أكثر راحة على H100s وH200s وB200s المتوفرة في مراكز البيانات الغربية، من خلال عمليات النشر القياسية vLLM وSGLang مع فك التشفير التأملي MTP. أضف ترخيص Apache 2.0 — بدون استثناءات إقليمية، أو قيود على مجال الاستخدام — وستصبح معادلة المؤسسة واضحة. يظل GLM-5.2 خيار الوزن المفتوح عندما يكون أداء الترميز هو المعيار الوحيد وتتوفر ميزانية 8x H200. تطرح Hy3 قضيتها في كل مكان آخر: أعباء عمل البحث والوكلاء الثقيلة، والتطبيقات الحساسة للموثوقية، والمؤسسات التي تريد إمكانات متجاورة بدون بنية تحتية على مستوى الحدود. والسؤال المطروح الآن هو ما إذا كانت الشركات الغربية، بعد أن زال حاجز الترخيص، ستتعامل مع نموذج تينسنت باعتباره مرشحاً جدياً على الإطلاق ــ أو ما إذا كان تحديث التحليل الاصطناعي التالي يحسم المناقشة المعيارية قبل أن يحصل المشتري على الموافقة. فرصة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/what-billions-of-ai-predictions-taught-expedia-before-the-age-of-ai-agents",
            "title_en": "What billions of AI predictions taught Expedia before the age of AI agents",
            "summary_en": "There's an important distinction between AI that just works today, and AI that lasts at scale. Many companies optimize hard for the first one without ever asking whether they're building the second. Velocity without discipline and strategic direction is a liability, not an asset. The hardest part of building AI at scale isn't getting a model to work once. It's building systems that continue to work, scale beyond individual teams and use cases, and improve consistently over time. Today's AI systems do more than just predict and optimize. They converse, reason, and increasingly take action. An autonomous system making decisions on a traveler's behalf creates a very different set of expectations around reliability, governance, and accountability. As AI takes on m",
            "body_en": "There's an important distinction between AI that just works today, and AI that lasts at scale. Many companies optimize hard for the first one without ever asking whether they're building the second. Velocity without discipline and strategic direction is a liability, not an asset. The hardest part of building AI at scale isn't getting a model to work once. It's building systems that continue to work, scale beyond individual teams and use cases, and improve consistently over time. Today's AI systems do more than just predict and optimize. They converse, reason, and increasingly take action. An autonomous system making decisions on a traveler's behalf creates a very different set of expectations around reliability, governance, and accountability. As AI takes on more of those roles, the principles behind how these systems operate matter more than ever. We have spent years applying AI and machine learning (ML) across the traveler journey — from personalization, ranking, and recommendations, to fraud prevention, customer support, and, more recently, generative and agentic AI experiences. That depth of experience is what led us to develop a set of ML and AI principles to guide how we build, deploy, and evolve AI systems across our company. The goal is simple: Make sure the systems we build create real business value, scale, and operate safely. These principles define how we measure, design, govern, and operate our systems. From principles to practice Publishing principles is the easy part. The harder and more important work is turning them into operating mechanisms: Recommendations, requirements, tooling, and release processes that teams actually use. We have begun using 'Agentic Release' tollgates: A set of recommended and, in some cases, required checks before launching agentic AI features. These tollgates translate principles like clear ownership, risk-based governance, evaluation, safe rollout, and monitoring into concrete expectations for teams. Some of these recommendations and requirements are already being automated and integrated into the software development lifecycle (SDLC). Over time, the goal is for these expectations to become embedded in how we design, evaluate, approve, launch, and monitor AI systems from the start. Outcomes: Measuring what actually matters The first test for any model is whether it improves a business outcome and, ultimately, the traveler experience — not whether it just improves a technical metric. Align models to metrics with business impact: Every ML effort must tie directly to a key business outcome or traveler experience metric. Technical optimizations are useful midpoints, not end goals . Optimize for return on cost : The value a model creates has to justify what it costs to develop, train, and monitor, plus the operational complexity it adds. Favor solutions that deliver lasting impact relative to what they cost to run. Justify complexity against strong baselines: Complexity should be earned, not assumed. Start with a strong baseline: An existing general model, a simple heuristic, an off-the-shelf solution. Reach for specialized models or more complex architectures only when simpler options genuinely can't meet the bar. Require both offline and online evaluation : No model goes to broad deployment on offline validation alone or jumps straight to A\/B testing. Every model must perform in both offline and online evaluations. Over time, our offline evaluations should reliably predict what we see online. Design: building systems that scale beyond the teams that build them Getting a model to work is one challenge. Making its value extend beyond a single team or use case is the harder one. Build on shared foundations; specialize only when justified: Favor shared, platform-wide foundations for core capabilities, data representations, and model building blocks. Specialization should build on those foundations, not spin up isolated stacks, so when the foundation improves, the gains flow across the organization. Treat data as a first-class product : A model's quality is bounded by the quality of its data. We need to maintain robust pipelines, clear lineage, reproducibility, and reusable features built with documented ownership, clear schemas, and SLAs that other teams can rely on. Prioritize generality over local optimization : When two approaches perform similarly, favor the one whose learnings, assets, and operating patterns can be reused across teams, brands, and use cases. We should optimize not just for local performance, but for how quickly improvements can diffuse across the company and compound over time. Minimize and sunset manual business rules: Manual rules are sometimes necessary for policy, safety, or compliance, but they should be explicit and reviewed regularly, never silent patches for weak models or a source of permanent maintenance debt. Reproducibility and traceability by default : Training data, features, configurations, evaluation results, deployment versions, and key decisions should all be documented and recoverable. That's what lets you debug a production issue months later and hand off ownership without losing institutional knowledge. Trust: ownership, governance, and operating responsibly at scale The bar for deploying AI isn't just \"does it work?\" It's \"can we stand behind it?\" Trust isn't something you add at the end; it's earned over time and maintained across the full lifecycle of every model we ship. Assign clear ownership and accountability: Every model needs defined ownership across its lifecycle — a business owner, a product owner, an AI owner, and an operational owner. These don't need to be four people, but the responsibilities must be explicit. Who's accountable for outcomes? Who responds if the model drifts? Who answers the incident at 2 a.m.? Without this in place, models become orphaned and problems surface with no one to own them. Adhere to standards and governance: AI and ML models must use approved platforms and comply with established company standards, release gates, and governance processes. Operating outside these guardrails requires a clear, defined path to remediation or deprecation, rather than an open-ended exception. Govern proportionally to risk : The level of review, evaluation rigor, and human oversight should scale with a model's impact. A customer-facing model that affects pricing or availability for millions of travelers demands a far higher bar than an internal tool used by a small team. For high-impact, safety-sensitive, or highly autonomous systems, human-in-the-loop checkpoints are built in from the start. Design for fairness, privacy, and transparency : We actively test for unintended bias, have strong data guardrails, and favor explainability when decisions meaningfully affect users. These are incorporated from the start, not added on. Design for safe rollout, rollback, and control : Deployments are progressive, with rollback paths, fallback mechanisms, and circuit breakers ready before launch. The ability to safely undo a deployment matters as much as the ability to ship it. Monitor continuously and adapt: Once live, teams must actively monitor quality, drift, latency, cost, and business performance and retrain or recalibrate when the data shifts. A team should always be able to explain how its model is performing now, not just how it performed when it launched. These principles do more than define how we build. They define what we're willing to ship and how we stand behind it. In a world where AI systems are increasingly consequential and make real decisions for real travelers and partners, these standards matter. Applied consistently, they build responsible AI that lasts. Xavi Amatriain is Chief AI and Data Officer at Expedia Group Xavier will share more details about Expedia's architecture during his session at VB Transform on July 14 at 11:10 am PT. He will discuss: \"Expedia's blueprint for building autonomous agents for high-stakes transactional systems.\" Interested in attending VB Transform 2026? Register here . A select number of complimentary passes are also available to senior technology leaders. Contact us to get yours.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/784Jwqffa8J8A4ULlmts7t\/3e94897a4474f6f19d6e4d4a01e5a94a\/u7277289442_A_modern_interpretation_of_AI_agents._Innovation._83d724d6-2551-4290-a7ca-0e24f09e0fb6_0.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/what-billions-of-ai-predictions-taught-expedia-before-the-age-of-ai-agents",
            "date": "2026-07-06",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "ما علمته مليارات تنبؤات الذكاء الاصطناعي لشركة Expedia قبل عصر عملاء الذكاء الاصطناعي",
            "summary_ar": "هناك فرق مهم بين الذكاء الاصطناعي الذي يعمل اليوم، والذكاء الاصطناعي الذي يستمر على نطاق واسع. تعمل العديد من الشركات على تحسين الأداء الأول دون أن تسأل أبدًا عما إذا كانت تقوم ببناء الثاني. إن السرعة بدون الانضباط والتوجيه الاستراتيجي هي مسؤولية وليست أصلاً. إن الجزء الأصعب في بناء الذكاء الاصطناعي على نطاق واسع لا يتمثل في جعل النموذج يعمل مرة واحدة. إنها أنظمة بناء تستمر في العمل، وتتجاوز الفرق الفردية وحالات الاستخدام، وتتحسن باستمرار بمرور الوقت. تقوم أنظمة الذكاء الاصطناعي اليوم بما هو أكثر من مجرد التنبؤ والتحسين. إنهم يتحدثون ويفكرون ويتخذون إجراءات متزايدة. يخلق النظام المستقل الذي يتخذ القرارات نيابة عن المسافر مجموعة مختلفة تمامًا من التوقعات حول الموثوقية والحوكمة والمساءلة. كما يتولى الذكاء الاصطناعي",
            "body_ar": "هناك فرق مهم بين الذكاء الاصطناعي الذي يعمل اليوم، والذكاء الاصطناعي الذي يستمر على نطاق واسع. تعمل العديد من الشركات على تحسين الأداء الأول دون أن تسأل أبدًا عما إذا كانت تقوم ببناء الثاني. إن السرعة بدون الانضباط والتوجيه الاستراتيجي هي مسؤولية وليست أصلاً. إن الجزء الأصعب في بناء الذكاء الاصطناعي على نطاق واسع لا يتمثل في جعل النموذج يعمل مرة واحدة. إنها أنظمة بناء تستمر في العمل، وتتجاوز الفرق الفردية وحالات الاستخدام، وتتحسن باستمرار بمرور الوقت. تقوم أنظمة الذكاء الاصطناعي اليوم بما هو أكثر من مجرد التنبؤ والتحسين. إنهم يتحدثون ويفكرون ويتخذون إجراءات متزايدة. يخلق النظام المستقل الذي يتخذ القرارات نيابة عن المسافر مجموعة مختلفة تمامًا من التوقعات حول الموثوقية والحوكمة والمساءلة. ومع تولي الذكاء الاصطناعي المزيد من هذه الأدوار، أصبحت المبادئ الكامنة وراء كيفية عمل هذه الأنظمة أكثر أهمية من أي وقت مضى. لقد أمضينا سنوات في تطبيق الذكاء الاصطناعي والتعلم الآلي (ML) عبر رحلة المسافر - بدءًا من التخصيص والتصنيف والتوصيات، وحتى منع الاحتيال ودعم العملاء، ومؤخرًا، تجارب الذكاء الاصطناعي الإنتاجية والفعالة. إن عمق الخبرة هذا هو ما دفعنا إلى تطوير مجموعة من مبادئ التعلم الآلي والذكاء الاصطناعي لتوجيه كيفية بناء أنظمة الذكاء الاصطناعي ونشرها وتطويرها عبر شركتنا. الهدف بسيط: التأكد من أن الأنظمة التي نبنيها تخلق قيمة تجارية حقيقية وتوسع وتعمل بأمان. تحدد هذه المبادئ كيفية قياس أنظمتنا وتصميمها وإدارتها وتشغيلها. من المبادئ إلى الممارسة مبادئ النشر هي الجزء السهل. العمل الأصعب والأكثر أهمية هو تحويلها إلى آليات تشغيل: التوصيات والمتطلبات والأدوات وعمليات الإصدار التي تستخدمها الفرق فعليًا. لقد بدأنا في استخدام بوابات رسوم \"إصدار الوكيل\": مجموعة من عمليات الفحص الموصى بها، وفي بعض الحالات، المطلوبة قبل إطلاق ميزات الذكاء الاصطناعي الوكيل. تترجم بوابات الرسوم هذه مبادئ مثل الملكية الواضحة والحوكمة القائمة على المخاطر والتقييم والنشر الآمن والمراقبة إلى توقعات ملموسة للفرق. تتم بالفعل أتمتة بعض هذه التوصيات والمتطلبات ودمجها في دورة حياة تطوير البرامج (SDLC). وبمرور الوقت، يتمثل الهدف في أن تصبح هذه التوقعات جزءًا لا يتجزأ من كيفية تصميم أنظمة الذكاء الاصطناعي وتقييمها والموافقة عليها وإطلاقها ومراقبتها منذ البداية. النتائج: قياس ما يهم بالفعل الاختبار الأول لأي نموذج هو ما إذا كان يعمل على تحسين نتائج الأعمال، وفي نهاية المطاف، تجربة المسافر - وليس ما إذا كان يعمل فقط على تحسين المقياس الفني. مواءمة النماذج مع المقاييس ذات التأثير على الأعمال: يجب أن يرتبط كل جهد في تعلم الآلة بشكل مباشر بنتيجة الأعمال الرئيسية أو مقياس تجربة المسافر. التحسينات التقنية هي نقاط وسطية مفيدة، وليست أهدافًا نهائية. تحسين العائد على التكلفة: القيمة التي يخلقها النموذج يجب أن تبرر تكلفة التطوير والتدريب والمراقبة، بالإضافة إلى التعقيد التشغيلي الذي يضيفه. تفضل الحلول التي تحقق تأثيرًا دائمًا مقارنة بتكلفة تشغيلها. تبرير التعقيد مقابل خطوط أساس قوية: ينبغي اكتساب التعقيد، وليس افتراضه. ابدأ بخط أساس قوي: نموذج عام موجود، وإرشاد بسيط، وحل جاهز. يمكنك الوصول إلى النماذج المتخصصة أو البنى الأكثر تعقيدًا فقط عندما لا تتمكن الخيارات الأبسط من تلبية المعايير. يتطلب التقييم دون الاتصال بالإنترنت أو عبر الإنترنت: لا يتم نشر أي نموذج على نطاق واسع عند التحقق من الصحة دون اتصال بمفرده أو ينتقل مباشرة إلى اختبار A\/B. يجب أن يتم تنفيذ كل نموذج في التقييمات عبر الإنترنت وفي وضع عدم الاتصال. مع مرور الوقت، يجب أن تتنبأ تقييماتنا خارج الإنترنت بشكل موثوق بما نراه عبر الإنترنت. التصميم: بناء أنظمة تتجاوز نطاق الفرق التي تقوم ببنائها، يعد الحصول على نموذج للعمل أحد التحديات. إن جعل قيمتها تمتد إلى ما هو أبعد من فريق واحد أو حالة استخدام هو الأمر الأصعب. البناء على أسس مشتركة؛ التخصص فقط عندما يكون ذلك مبررًا: تفضيل الأسس المشتركة على مستوى النظام الأساسي للقدرات الأساسية وتمثيلات البيانات وكتل بناء النماذج. يجب أن يبني التخصص على تلك الأسس، وليس على شكل مجموعات معزولة، لذلك عندما تتحسن الأساسات، تتدفق المكاسب عبر المؤسسة. التعامل مع البيانات كمنتج من الدرجة الأولى: جودة النموذج محدودة بجودة بياناته. نحن بحاجة إلى الحفاظ على خطوط أنابيب قوية، وسلالة واضحة، وإمكانية التكرار، وميزات قابلة لإعادة الاستخدام مبنية على ملكية موثقة، ومخططات واضحة، واتفاقيات مستوى الخدمة التي يمكن للفرق الأخرى الاعتماد عليها. إعطاء الأولوية للعمومية على التحسين المحلي: عندما يؤدي نهجان أداءً متشابهًا، قم بتفضيل النهج الذي يمكن إعادة استخدام تعلمه وأصوله وأنماط تشغيله عبر الفرق والعلامات التجارية وحالات الاستخدام. يجب علينا تحسين الأداء ليس فقط من أجل الأداء المحلي، ولكن أيضًا من أجل مدى سرعة انتشار التحسينات عبر الشركة وتراكمها بمرور الوقت. تقليل قواعد العمل اليدوية وإلغائها: تكون القواعد اليدوية ضرورية في بعض الأحيان للسياسة أو السلامة أو الامتثال، ولكن يجب أن تكون واضحة ومراجعتها بانتظام، ولا تصمت أبدًا للنماذج الضعيفة أو مصدر ديون الصيانة الدائمة. إمكانية التكرار والتتبع بشكل افتراضي: يجب توثيق بيانات التدريب والميزات والتكوينات ونتائج التقييم وإصدارات النشر والقرارات الرئيسية وإمكانية استردادها. وهذا ما يتيح لك تصحيح مشكلة الإنتاج بعد أشهر وتسليم الملكية دون فقدان المعرفة المؤسسية. الثقة: الملكية والحوكمة والعمل بمسؤولية على نطاق واسع إن معيار نشر الذكاء الاصطناعي لا يقتصر فقط على \"هل يعمل؟\" إنه \"هل يمكننا أن نقف وراء ذلك؟\" الثقة ليست شيئًا تضيفه في النهاية؛ لقد تم اكتسابها بمرور الوقت والحفاظ عليها طوال دورة الحياة الكاملة لكل طراز نشحنه. تعيين ملكية ومسؤولية واضحة: يحتاج كل نموذج إلى ملكية محددة عبر دورة حياته - مالك أعمال، ومالك منتج، ومالك الذكاء الاصطناعي، ومالك تشغيلي. ولا يلزم أن يكون هؤلاء أربعة أشخاص، ولكن المسؤوليات يجب أن تكون واضحة. ومن المسؤول عن النتائج؟ من يستجيب إذا انجرف النموذج؟ من يجيب على الحادثة الساعة الثانية صباحا؟ وبدون ذلك، تصبح النماذج يتيمة وتظهر المشاكل دون أن يمتلكها أحد. الالتزام بالمعايير والحوكمة: يجب أن تستخدم نماذج الذكاء الاصطناعي والتعلم الآلي منصات معتمدة وأن تمتثل لمعايير الشركة المعمول بها وبوابات الإصدار وعمليات الحوكمة. يتطلب العمل خارج هذه الحواجز مسارًا واضحًا ومحددًا للمعالجة أو الإيقاف، بدلاً من استثناء مفتوح. الإدارة بشكل متناسب مع المخاطر: يجب أن يتناسب مستوى المراجعة ودقة التقييم والإشراف البشري مع تأثير النموذج. يتطلب النموذج الذي يواجه العملاء والذي يؤثر على الأسعار أو التوفر لملايين المسافرين معيارًا أعلى بكثير من الأداة الداخلية التي يستخدمها فريق صغير. بالنسبة للأنظمة عالية التأثير، أو الحساسة للسلامة، أو ذات الاستقلالية العالية، يتم إنشاء نقاط تفتيش بشرية في الحلقة منذ البداية. تصميم من أجل العدالة والخصوصية والشفافية: نحن نختبر بنشاط التحيز غير المقصود، ونمتلك حواجز حماية قوية للبيانات، ونفضل إمكانية التفسير عندما تؤثر القرارات بشكل مفيد على المستخدمين. تم دمجها من البداية، ولم تتم إضافتها. تصميم للطرح والتراجع والتحكم الآمن: تكون عمليات النشر تدريجية، مع وجود مسارات للتراجع وآليات احتياطية وقواطع دوائر جاهزة قبل الإطلاق. إن القدرة على التراجع عن النشر بشكل آمن أمر مهم بقدر أهمية القدرة على شحنه. المراقبة المستمرة والتكيف: بمجرد البث المباشر، يجب على الفرق مراقبة الجودة والانجراف وزمن الوصول والتكلفة وأداء الأعمال وإعادة التدريب أو إعادة المعايرة عند تغير البيانات. يجب أن يكون الفريق دائمًا قادرًا على شرح كيفية أداء نموذجه الآن، وليس فقط كيفية أدائه عند إطلاقه. هذه المبادئ تفعل أكثر من مجرد تحديد كيفية البناء. إنها تحدد ما نحن على استعداد لشحنه وكيف نقف وراءه. في عالم أصبحت فيه أنظمة الذكاء الاصطناعي ذات أهمية متزايدة وتتخذ قرارات حقيقية للمسافرين والشركاء الحقيقيين، فإن هذه المعايير مهمة. وبتطبيقها باستمرار، فإنها تبني ذكاءً اصطناعيًا مسؤولًا يدوم. Xavi Amatriain هو المدير التنفيذي للذكاء الاصطناعي والبيانات في Expedia Group. سيشارك Xavier المزيد من التفاصيل حول بنية Expedia خلال جلسته في VB Transform في 14 يوليو الساعة 11:10 صباحًا بتوقيت المحيط الهادئ. وسوف يناقش: \"مخطط Expedia لبناء وكلاء مستقلين لأنظمة المعاملات عالية المخاطر.\" هل أنت مهتم بحضور VB Transform 2026؟ سجل هنا. يتوفر أيضًا عدد محدد من التصاريح المجانية لكبار قادة التكنولوجيا. اتصل بنا للحصول على لك.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/how-americas-250th-birthday-became-a-test-of-ai-powered-collective-intelligence",
            "title_en": "How America's 250th birthday became a test of AI-powered collective intelligence",
            "summary_en": "Imagine if you could bring 250 people together in a massive room and have them discuss and debate an important issue, arguing the points and counterpoints, and converging on answers that accurately reflect their collective knowledge, wisdom, values, and sensibilities. Now imagine that you convened this debate on America’s 250 th birthday and asked 250 randomly selected Americans to come up with the top three innovations that America has contributed to the world over the last 250 years. What would they come up with? I know – this all sounds impossible. After all, you can’t get more than a dozen people to have a productive conversation on anything. At large scale, nobody would get enough airtime to express their views or respond to others. This is why typical business meetings or focus group",
            "body_en": "Imagine if you could bring 250 people together in a massive room and have them discuss and debate an important issue, arguing the points and counterpoints, and converging on answers that accurately reflect their collective knowledge, wisdom, values, and sensibilities. Now imagine that you convened this debate on America’s 250 th birthday and asked 250 randomly selected Americans to come up with the top three innovations that America has contributed to the world over the last 250 years. What would they come up with? I know – this all sounds impossible. After all, you can’t get more than a dozen people to have a productive conversation on anything. At large scale, nobody would get enough airtime to express their views or respond to others. This is why typical business meetings or focus groups never have more than 8 to 10 people. Thoughtful real-time conversations just don’t scale. To solve this, a new category of AI technology called “hyper-communication ” is greatly expanding the size, scope, and efficiency of large-scale deliberations. It uses specialized AI agents to connect groups in real-time, allowing people to discuss and debate issues at any scale . The goal is to enable hundreds or even thousands of participant to hold thoughtful discussions where they can express their views and argue the merits of any issue. I first wrote about this emerging technology in VentureBeat two years ago in an article about “ Collective Superintelligence .” In that piece, I explain how large human groups can be hyper-connected by AI agents in ways that greatly amplify the group’s collective intelligence . You can check out the science behind hyper-communication in that prior VentureBeat piece. Here I am focusing on the debate among 250 Americans on America’s birthday. To do this, I asked the team at Unanimous AI to field a randomly selected group of at least 250 Americans (with a broad distribution from every region in the country and diverse mix of political and social demographics) and invite them to a twenty-minute online debate inside a hyper-communication platform called Thinkscape that enables massively scalable discussion by text, voice, or video. Once connected, we asked the group to come up with the top three contributions that America has made to the world over the last 250 years – not a survey of opinions, but deliberation of ideas, arguments, evidence, and reasoning. The group converged on a set of top answers that surprised me – but on reflection, they were sensible and well-reasoned. Before getting into the answers, let me show you what the debate looks like behind the scenes. There were 277 people, each of them debating the issues with four or five other people in parallel discussion spaces. The magic is the swarm of AI agents that connect all the small groups together into a single real-time deliberation.This is what it looks like at high speed: In the debate above, the group of 277 people came up with 94 different ideas and then narrowed it down to a top 10, then a top 3 . In the gif above, we just plot the top ten ideas as they emerged and battle for support during the live conversational debate. The most interesting part of a large debate like this is not the answers, but the reasons that emerge to justify the answers. Here is the group’s reasoning behind the “top three innovations” that America has given to the world over the last 250 years: #1: The Internet: “Our collective perspective is that America’s greatest contribution to the world over the past 250 years is the internet. It was born exclusively in the U.S. through academic and government research and was scaled globally with profound impact. It transformed communication, democratized information and education, enabled commerce, medicine, research and cultural exchange, and amplified soft power and civic organizing. We also acknowledged significant harms (misinformation, addiction, privacy loss) and arguments that it’s recent, global, or not uniquely American.” #2 Advances in medicine : “Our collective perspective is that the United States has saved and prolonged hundreds of millions of lives worldwide. American-developed vaccines have successfully eradicated or controlled once-deadly diseases, significantly extending life expectancy and enabling broader societal and technological progress. From major breakthroughs in cancer research and treatments to cutting-edge medical technologies that have revolutionized hospital safety and procedures, U.S. ingenuity has redefined healthcare. Ultimately, while the global diffusion of affordable medicines and vaccines has extended these benefits across borders, the U.S. remains a premier medical destination where people from around the world travel to receive the most advanced treatments.” #3: Spreading democracy: “Our collective perspective is that one of America’s most significant global contributions is the nation's system of governance. The US has long demonstrated democracy in practice as an enduring global model. The U.S. Constitution provided a vital blueprint for representative government, inspiring democratic movements and revolutions worldwide while actively promoting human rights and individual liberties internationally. By empowering citizens with the fundamental power to vote and choose their own leaders, this framework has served as a foundational framework for broader societal advances and directly helped establish thriving democracies around the world.” It’s important to remember, this is 100% human intelligence — a pure reflection of the collective knowledge, wisdom, and values of 277 randomly selected Americans. That’s because the role of the AI agents in a hyper-communication system is to connect people, not replace them. The agents work to enable scalable human deliberation in which every participant is given optimized ability to express their views, respond to others, and converge on solutions based on their merits. The only question left is — what should we ask next? Louis Rosenberg earned his PhD from Stanford University, was a professor at California State University (Cal Poly) and has been awarded over 300 patents for his work in human-computer interaction, AI, and collective intelligence.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/3Xl0iNAu1qWBWsbVOmxzAw\/cf3c9b698819500ddff2fd00b1ca46f3\/image1.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/how-americas-250th-birthday-became-a-test-of-ai-powered-collective-intelligence",
            "date": "2026-07-04",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "كيف أصبح عيد ميلاد أمريكا الـ 250 بمثابة اختبار للذكاء الجماعي المدعوم بالذكاء الاصطناعي",
            "summary_ar": "تخيل لو كان بإمكانك جمع 250 شخصًا معًا في غرفة كبيرة وجعلهم يناقشون ويناقشون قضية مهمة، ويناقشون النقاط والنقاط المقابلة، ويتقاربون على الإجابات التي تعكس بدقة معرفتهم الجماعية، وحكمتهم، وقيمهم، وأحاسيسهم. تخيل الآن أنك عقدت هذه المناقشة في الذكرى الـ 250 لميلاد أمريكا وطلبت من 250 أمريكيًا تم اختيارهم عشوائيًا أن يتوصلوا إلى أهم ثلاثة ابتكارات ساهمت بها أمريكا للعالم على مدار الـ 250 عامًا الماضية. ما الذي سيتوصلون إليه؟ أعلم أن كل هذا يبدو مستحيلاً. ففي نهاية المطاف، لا يمكنك الحصول على أكثر من عشرة أشخاص لإجراء محادثة مثمرة حول أي شيء. وعلى نطاق واسع، لن يحصل أحد على ما يكفي من وقت البث للتعبير عن آرائه أو الرد على الآخرين. هذا هو السبب في اجتماعات العمل النموذجية أو التركيز مجموعة",
            "body_ar": "تخيل لو كان بإمكانك جمع 250 شخصًا معًا في غرفة كبيرة وجعلهم يناقشون ويناقشون قضية مهمة، ويناقشون النقاط والنقاط المقابلة، ويتقاربون على الإجابات التي تعكس بدقة معرفتهم الجماعية، وحكمتهم، وقيمهم، وأحاسيسهم. تخيل الآن أنك عقدت هذه المناقشة في الذكرى الـ 250 لميلاد أمريكا وطلبت من 250 أمريكيًا تم اختيارهم عشوائيًا أن يتوصلوا إلى أهم ثلاثة ابتكارات ساهمت بها أمريكا للعالم على مدار الـ 250 عامًا الماضية. ما الذي سيتوصلون إليه؟ أعلم أن كل هذا يبدو مستحيلاً. ففي نهاية المطاف، لا يمكنك الحصول على أكثر من عشرة أشخاص لإجراء محادثة مثمرة حول أي شيء. وعلى نطاق واسع، لن يحصل أحد على ما يكفي من وقت البث للتعبير عن آرائه أو الرد على الآخرين. ولهذا السبب لا تضم ​​اجتماعات العمل النموذجية أو مجموعات التركيز أكثر من 8 إلى 10 أشخاص. المحادثات المدروسة في الوقت الفعلي لا يمكن توسيع نطاقها. ولحل هذه المشكلة، تعمل فئة جديدة من تكنولوجيا الذكاء الاصطناعي تسمى \"الاتصالات الفائقة\" على توسيع حجم ونطاق وكفاءة المداولات واسعة النطاق بشكل كبير. ويستخدم وكلاء الذكاء الاصطناعي المتخصصين لربط المجموعات في الوقت الفعلي، مما يسمح للأشخاص بمناقشة ومناقشة القضايا على أي نطاق. الهدف هو تمكين المئات أو حتى الآلاف من المشاركين من إجراء مناقشات مدروسة حيث يمكنهم التعبير عن آرائهم ومناقشة مزايا أي قضية. لقد كتبت لأول مرة عن هذه التكنولوجيا الناشئة في VentureBeat قبل عامين في مقال حول \"الذكاء الخارق الجماعي\". في هذا المقال، أشرح كيف يمكن لمجموعات بشرية كبيرة أن تكون متصلة بشكل مفرط بواسطة عملاء الذكاء الاصطناعي بطرق تعمل على تضخيم الذكاء الجماعي للمجموعة بشكل كبير. يمكنك التحقق من العلم وراء التواصل الفائق في مقالة VentureBeat السابقة. وأنا أركز هنا على المناقشة الدائرة بين 250 أميركياً بمناسبة عيد ميلاد أميركا. وللقيام بذلك، طلبت من فريق العمل في شركة Unanimous AI تشكيل مجموعة مختارة عشوائيًا تتألف من 250 أمريكيًا على الأقل (مع توزيع واسع من كل منطقة في البلاد ومزيج متنوع من التركيبة السكانية السياسية والاجتماعية) ودعوتهم إلى مناقشة عبر الإنترنت لمدة عشرين دقيقة داخل منصة اتصال فائقة تسمى Thinkscape والتي تتيح مناقشة قابلة للتطوير على نطاق واسع عن طريق النص أو الصوت أو الفيديو. وبمجرد الاتصال، طلبنا من المجموعة أن تتوصل إلى أهم ثلاث مساهمات قدمتها أميركا للعالم على مدى السنوات المائتين والخمسين الماضية ــ وليس مسحاً للآراء، بل مناقشة الأفكار، والحجج، والأدلة، والاستدلال. اتفقت المجموعة على مجموعة من الإجابات المهمة التي فاجأتني، ولكن بعد التفكير، كانت منطقية وعقلانية. قبل الدخول في الإجابات، اسمحوا لي أن أوضح لكم كيف يبدو النقاش خلف الكواليس. كان هناك 277 شخصًا، كل منهم يناقش القضايا مع أربعة أو خمسة أشخاص آخرين في مساحات مناقشة متوازية. السحر هو سرب من عملاء الذكاء الاصطناعي الذين يربطون جميع المجموعات الصغيرة معًا في مداولات واحدة في الوقت الفعلي. وهذا ما يبدو عليه الأمر بسرعة عالية: في المناقشة أعلاه، توصلت المجموعة المكونة من 277 شخصًا إلى 94 فكرة مختلفة ثم قاموا بتضييق نطاقها إلى أعلى 10، ثم أعلى 3. في الصورة المتحركة أعلاه، قمنا فقط بتخطيط أهم عشرة أفكار عند ظهورها ونتنافس من أجل الحصول على الدعم أثناء النقاش الحواري المباشر. إن الجزء الأكثر إثارة للاهتمام في مناقشة كبيرة كهذه ليس الإجابات، بل الأسباب التي تظهر لتبرير الإجابات. وفيما يلي المنطق الذي ترتكز عليه المجموعة وراء \"أهم ثلاثة ابتكارات\" قدمتها أمريكا للعالم على مدار الـ 250 عامًا الماضية: رقم 1: الإنترنت: \"منظورنا الجماعي هو أن أعظم مساهمة قدمتها أمريكا للعالم على مدار الـ 250 عامًا الماضية هي الإنترنت. لقد وُلدت حصريًا في الولايات المتحدة من خلال الأبحاث الأكاديمية والحكومية وتم توسيع نطاقها عالميًا وكان لها تأثير عميق. لقد حولت الاتصالات، وأضفت طابعاً ديمقراطياً على المعلومات والتعليم، ومكّنت التجارة والطب والبحث والتبادل الثقافي، وعززت القوة الناعمة والتنظيم المدني. لقد اعترفنا أيضًا بالأضرار الجسيمة (المعلومات المضللة، والإدمان، وفقدان الخصوصية) والحجج التي تقول إنها حديثة، أو عالمية، أو ليست أمريكية بشكل فريد. #2 التقدم في الطب: \"منظورنا الجماعي هو أن الولايات المتحدة أنقذت وأطالت مئات الملايين من الأرواح في جميع أنحاء العالم. لقد نجحت اللقاحات التي طورتها الولايات المتحدة في القضاء على الأمراض التي كانت مميتة ذات يوم أو السيطرة عليها، مما أدى إلى إطالة متوسط ​​العمر المتوقع بشكل كبير وتمكين التقدم الاجتماعي والتكنولوجي على نطاق أوسع. من الإنجازات الكبرى في أبحاث السرطان وعلاجاته إلى التقنيات الطبية المتطورة التي أحدثت ثورة في سلامة وإجراءات المستشفيات، أعادت براعة الولايات المتحدة تعريف الرعاية الصحية. وفي نهاية المطاف، في حين أن الانتشار العالمي للأدوية واللقاحات بأسعار معقولة قد أدى إلى توسيع هذه الفوائد عبر الحدود، تظل الولايات المتحدة الوجهة الطبية الأولى حيث يسافر الناس من جميع أنحاء العالم لتلقي العلاجات الأكثر تقدمًا. رقم 3: نشر الديمقراطية: \"منظورنا الجماعي هو أن أحد أهم مساهمات أمريكا العالمية هو نظام الحكم في البلاد. لقد أظهرت الولايات المتحدة منذ فترة طويلة الديمقراطية في الممارسة العملية باعتبارها نموذجاً عالمياً مستداماً. الولايات المتحدة قدم الدستور مخططًا حيويًا للحكومة التمثيلية، وألهم الحركات والثورات الديمقراطية في جميع أنحاء العالم بينما كان يعمل بنشاط على تعزيز حقوق الإنسان والحريات الفردية على المستوى الدولي. ومن خلال تمكين المواطنين بالسلطة الأساسية للتصويت واختيار قادتهم، كان هذا الإطار بمثابة إطار أساسي للتقدم المجتمعي الأوسع وساعد بشكل مباشر في إنشاء ديمقراطيات مزدهرة في جميع أنحاء العالم. من المهم أن نتذكر أن هذا ذكاء بشري بنسبة 100%، وهو انعكاس خالص للمعرفة الجماعية والحكمة والقيم لـ 277 أمريكيًا تم اختيارهم عشوائيًا. وذلك لأن دور عملاء الذكاء الاصطناعي في نظام الاتصالات الفائقة هو ربط الأشخاص، وليس استبدالهم. يعمل الوكلاء على تمكين المداولات البشرية القابلة للتطوير والتي يتم فيها منح كل مشارك القدرة المثلى للتعبير عن آرائه، والرد على الآخرين، والتقارب مع الحلول القائمة على مزاياهم. السؤال الوحيد المتبقي هو – ماذا يجب أن نسأل بعد ذلك؟ حصل لويس روزنبرغ على درجة الدكتوراه من جامعة ستانفورد، وكان أستاذًا في جامعة ولاية كاليفورنيا (كال بولي) وحصل على أكثر من 300 براءة اختراع لعمله في التفاعل بين الإنسان والحاسوب، والذكاء الاصطناعي، والعمل الجماعي. ذكاء.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/trunk-tools-stack-cut-document-review-from-60-days-to-10-by-ditching-general-purpose-models",
            "title_en": "Trunk Tools' stack cut document review from 60 days to 10 by ditching general-purpose models",
            "summary_en": "Most verticals aren’t clean, well-oiled SaaS databases; the reality is ugly documents, proprietary schemas, implicit workflows, and long‑running tasks that most general-purpose models struggle with. This prompted construction project management company Trunk Tools to build a specialized, three-layer architecture — perception, semantics, agents — based on highly-detailed data to support high-accuracy, highly-relevant industry automation. Their purpose-built stack has shrunk review cycles from months to days, prevented costly field errors, and given autonomous agents the ability to reason over millions of pages of documentation, Trunk says. “We really set out to take the data from dispersed systems, pre-process it, structure it, go through our ontology into a knowledge graph, and then train ",
            "body_en": "Most verticals aren’t clean, well-oiled SaaS databases; the reality is ugly documents, proprietary schemas, implicit workflows, and long‑running tasks that most general-purpose models struggle with. This prompted construction project management company Trunk Tools to build a specialized, three-layer architecture — perception, semantics, agents — based on highly-detailed data to support high-accuracy, highly-relevant industry automation. Their purpose-built stack has shrunk review cycles from months to days, prevented costly field errors, and given autonomous agents the ability to reason over millions of pages of documentation, Trunk says. “We really set out to take the data from dispersed systems, pre-process it, structure it, go through our ontology into a knowledge graph, and then train AI models,” said Sarah Buchner, Trunk’s founder and CEO and a former carpenter. For builders in other verticals, Trunk’s approach could serve as a blueprint for transforming data chaos into agent‑ready, industry-specific workflows. Where general-purpose LLMs break down on industry data Foundation LLMs, while powerful, are optimized for breadth, not always depth. “General-purpose LLMs are trained to be okay at everything, so they're weak at anything niche,” said Kriti Faujdar, a senior product manager working in AI infrastructure, agentic AI, security, and LLM platforms. For instance: Rare terms, domain-specific reasoning, the unspoken context that any practitioner “just knows.” Web, app, and software developer Sébastien De Bollivier agreed that the biggest bottleneck is reliability on data that is “jargon-dense, abbreviation-heavy, and format-specific.” “A GPT-4-class model can understand a French legal contract, but will fumble the specific article references practitioners need to cite,” he said. Besides, the most valuable enterprise data never made it into pretraining anyway, Faujdar pointed out. It's sitting in internal systems and proprietary formats. “RAG helps a little,” she said. “But it's just giving better facts to a model that still can't reason properly in the domain.” Pre-training on domain data is critical; enterprises should then fine-tune on good task examples and build their own evals. “A few thousand examples from real practitioners beats millions of scraped, noisy ones,\" Faujdar said. Mixture-of-experts (MoE) can provide specialization without inference costs blowing up. Pairing RAG with fine-tuning also works well; RAG handles the factual long trail while fine-tuning fixes vocabulary and reasoning. De Bollivier pointed to the advantage of hybrid stacks: A general-purpose model for reasoning and orchestration, a smaller fine-tuned model (or dense retrieval over a curated corpus) for domain-specific extraction. He advised: “Don't fine-tune to make the model 'smarter' about a domain, fine-tune to make it more reliable on the specific output format your workflow requires.” The trades and construction are certainly industries seeing traction with these techniques, as are legal and healthcare, De Bollivier said. These verticals have “high stakes for errors plus standardized document formats, equaling clear domain-training ROI.” One honest caveat worth mentioning, Faujdar said: Specialized models can often fall apart outside their domain, so they’re often not useful outside their expertise (unless they’re re-trained). Perception, semantics, agents: inside Trunk's three-layer stack In highly-specialized domains like construction, “data dumps” into large language models (LLMs) don’t cut it, said Trunk’s CTO Amrish Kapoor. This is because most transformers are probabilistic models: When given an image, they report back that it is “probably” a tree, or “probably” a child playing next to a tree. This makes them insufficient for high‑precision symbolic interpretation. For instance, in construction documents, a 2-millimeter-wide symbol has a vastly different meaning depending on where it’s placed. Further, constrained by context limits, probabilistic models struggle with long‑term project memory. “I don't mean a context window of a few tokens,” Kapoor said. “I'm talking about long term memory that stretches across months and years, because this is how long some of these projects are.” Instead, Trunk’s three-layer system breaks workflows into: Perception (reading and extracting data from messy docs like PDFs, drawings, or scans) A semantic\/graph layer (making sense of that data and understanding their relationships). LLMs and agents on top. Construction drawings are typically symbolic, Buchner said. A door isn't always labeled ‘door.’ Sometimes it's simply an arc on a wall that a trained eye learns to read based on years of practice. “The perception layer is what teaches AI to read that language,” she said. The semantic layer then gives that information meaning; for instance, connecting the door to the drawing that details it, the spec that governs it, and the trade that installs it. This helps answer project engineers’ critical questions: Not \"is there a door here?\" but \"does this door create a problem down the line?\" Particularly in construction, that shift matters because the cost of a problem compounds with time. “A conflict caught in design is relatively low cost to address,” Buchner said, “whereas the same problem caught in the field might cost tens of thousands of dollars.” At a high level, the system identifies the document type and begins extracting information based on content (drawing, schedules, paragraph text). This data is then “transformed and augmented” in the platform, which triggers agentic workflows like knowledge graph relationships and end-user workflows. For instance, an agent might review an architecture bulletin and produce a visual overlay comparing an older version and a newer version (flagging additions and removals), then generate written narratives that describe what those changes are in simple terms. This helps users understand what’s changed and coordinate with trade partners on updated pricing and change orders. The scale of construction’s data problem Construction workflows are “ripe with implicit assumptions and connections between data in its myriad of sources,” Buchner said. And the amount of unstructured data is “humanly impossible” to process or make sense of. Buchner estimated the average high-rise building generates about 3.6 million pages of corresponding documentation. “If you print it into a stack of papers it would be as high as the building itself.” All three layers of Trunk’s stack — perception, semantic, LLM — are trained on “very specific datasets” from customers with “explicit permissions” and auto‑labeling\/IP, Kapoor explained. Customers who don’t want Trunk training on their data can opt out. Data is deidentified and aggregated, and Trunk also collects “tons more” labeled data through other pipelines like 3D building information modeling (BIM). Trunk says it only ships agents that achieve around 95% accuracy. The team maintains continuous evaluation pipelines based on ground truth data from customers and experts. They also employ an LLMs-as-a-judge model. “This notion of an LLM as a judge is to score how well you're doing, both subjectively as well as objectively,” Kapoor said. Objectivity can be an easy ‘right’ or ‘not right,’ but subjectivity requires more nuance. For instance, when creating an email or narrative or explanation, an LLM as a judge framework can create a composite score, or a numerical value that aggregates different metrics and tests a model's performance or risk. There can be challenges, though, particularly with latency, Buchner noted; any time the reasoning capacity of underlying models increases, the risk of latency goes up, too. Trunk maintains a set of evaluation criteria to objectively measure latency whenever changes are made to underlying infrastructure, agents, and API calls. Then, “before we release to customers, we ensure marginal changes to the end-user experience are well worth the performance enhancements,” Buchner said. From 60 days to 10: the measurable payoff Trunk’s platform powers seven AI agents purpose-built for construction, such as analyzing request for information (RFI) responses, overviewing bids, or reviewing drawings and submittals. The submittal agent, for instance, flags missing, conflicting, or noncompliant information in product specs and RFIs. While it’s an essential step in the construction process, “it's a super annoying workflow,” Buchner said, because human reviewers have to compare documents “with a bunch of other parts of documents.” But the agent is able to do this in seconds, and Trunk says it has reduced submittal cycles from 50 to 60 days to 10, “which has massive schedule and financial implications.” Trunk is now at a place where these agents are communicating directly with each other, which is “quite exciting,” Buchner said. So, for example, one agent will review an architectural drawing for accuracy, then autonomously hand it over to agents handling RFIs and asking follow-up questions. “If the drawings have problems, the RFI agent is taking over and is actively reaching out for clarification,” Buchner explained. Trunk says its customers report savings of 20 to 40 minutes per field question. Buchner said that users in the field know better than anyone how much of a “time suck” it is to go back and forth from office trailers, dig through project documents in scattered systems or printed PDFs, reconcile discrepancies, and return to coordinate with trade partners. Trunk says its customers report these additional outcomes: Average 8 minute time savings for single-document retrieval (status checks, location lookups, quantity queries). Average 20 minute time savings for standard referencing (cross-referencing 2 to 3 spec sections to form an answer. Average 40 minute time savings for multi-document research (listing and filtering queries, mapping relationships, analyzing RFIs and submittals across 4 to 6 documents). Average 75 minute time savings for complex tasks (creating RFIs and other communication materials, deep cross-referencing across documents, change tracking). In one instance, Trunk’s drawing review agent flagged that a structural beam had been moved up 8.5 inches. However, this was not documented by the architect. If the change hadn’t been caught, the project manager would likely have had to strip out and reinstall the right size beam, Buchner said. This rework would have added $10,000 or more to the budget, and “certainly there would have been implications on the schedule.” Buchner also pointed to other examples: an agent flagged $60,000 in exaggerated pricing with no justification from landscaping subcontractors; identified a fireplace that needed to be sealed prior to drywall installation, saving around $100,000 in labor, materials, and delays; and called out that an electric door required a panel that wasn’t included in electrical drawings. Learnings for other industries Trunk’s approach to building agents is applicable to any vertical working with high volumes of unstructured, industry-specific data. Builders working in specific verticals must understand the industry’s specific data challenges their end users face and build technical infrastructure that can transform unstructured data into something an “LLM can traverse and understand,” Buchner said. “Only then can you build the connections between data points that ultimately feed agentic workflows.” A lot of money is being invested in foundational models, so enterprises should build modular systems that can leverage the strengths of various models as they continue to improve, Buchner advised. Then, “build your technical advantage where the generic models are not investing and not performing well,” she said.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/63UxY1M5WET2KFyliCQstB\/014b102216bc5911b9c6ab0875400a31\/Trunk_Tools.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/trunk-tools-stack-cut-document-review-from-60-days-to-10-by-ditching-general-purpose-models",
            "date": "2026-07-03",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تقوم Trunk Tools بمراجعة المستندات المقطوعة من 60 يومًا إلى 10 أيام عن طريق التخلص من النماذج ذات الأغراض العامة",
            "summary_ar": "معظم القطاعات ليست قواعد بيانات SaaS نظيفة ومُجهزة جيدًا؛ والحقيقة هي المستندات القبيحة، والمخططات الخاصة، وسير العمل الضمني، والمهام الطويلة الأمد التي تعاني منها معظم النماذج ذات الأغراض العامة. دفع هذا الأمر شركة إدارة مشاريع البناء Trunk Tools إلى إنشاء بنية متخصصة ثلاثية الطبقات - الإدراك والدلالات والوكلاء - استنادًا إلى بيانات مفصلة للغاية لدعم أتمتة الصناعة عالية الدقة وذات الصلة للغاية. يقول ترنك إن مجموعتهم المصممة خصيصًا لهذا الغرض قلصت دورات المراجعة من أشهر إلى أيام، ومنعت الأخطاء الميدانية المكلفة، ومنح العملاء المستقلين القدرة على التفكير المنطقي في ملايين الصفحات من الوثائق. \"لقد شرعنا حقًا في أخذ البيانات من الأنظمة المتفرقة، ومعالجتها مسبقًا، وهيكلتها، والانتقال من خلال وجودنا إلى رسم بياني معرفي، ثم التدريب",
            "body_ar": "معظم القطاعات ليست قواعد بيانات SaaS نظيفة ومُجهزة جيدًا؛ والحقيقة هي المستندات القبيحة، والمخططات الخاصة، وسير العمل الضمني، والمهام الطويلة الأمد التي تعاني منها معظم النماذج ذات الأغراض العامة. دفع هذا الأمر شركة إدارة مشاريع البناء Trunk Tools إلى إنشاء بنية متخصصة ثلاثية الطبقات - الإدراك والدلالات والوكلاء - استنادًا إلى بيانات مفصلة للغاية لدعم أتمتة الصناعة عالية الدقة وذات الصلة للغاية. يقول ترنك إن مجموعتهم المصممة خصيصًا لهذا الغرض قلصت دورات المراجعة من أشهر إلى أيام، ومنعت الأخطاء الميدانية المكلفة، ومنح العملاء المستقلين القدرة على التفكير المنطقي في ملايين الصفحات من الوثائق. قالت سارة بوشنر، المؤسس والرئيس التنفيذي لشركة Trunk والنجار السابق: \"لقد شرعنا حقًا في أخذ البيانات من الأنظمة المتفرقة، ومعالجتها مسبقًا، وهيكلتها، والانتقال إلى رسم بياني معرفي، ثم تدريب نماذج الذكاء الاصطناعي\". بالنسبة لشركات البناء في القطاعات الأخرى، يمكن أن يكون نهج Trunk بمثابة مخطط لتحويل فوضى البيانات إلى مسارات عمل جاهزة للوكيل ومخصصة للصناعة. حيث تنقسم برامج LLM للأغراض العامة إلى بيانات الصناعة، على الرغم من قوتها، إلا أنها مُحسّنة للاتساع، وليس للعمق دائمًا. قال كريتي فوجدار، كبير مديري المنتجات الذين يعملون في البنية التحتية للذكاء الاصطناعي، والذكاء الاصطناعي الوكيل، والأمن، ومنصات LLM: \"يتم تدريب الحاصلين على ماجستير إدارة الأعمال للأغراض العامة ليكونوا على ما يرام في كل شيء، لذا فهم ضعفاء في أي شيء متخصص\". على سبيل المثال: المصطلحات النادرة، والاستدلال الخاص بالمجال، والسياق غير المعلن الذي \"يعرفه\" أي ممارس. وافق سيباستيان دي بوليفييه، مطور الويب والتطبيقات والبرمجيات، على أن أكبر عنق الزجاجة هو الاعتماد على البيانات \"المصطلحات الكثيفة، والمختصرات الثقيلة، والمحددة التنسيق\". وقال: \"يمكن لنموذج فئة GPT-4 أن يفهم العقد القانوني الفرنسي، لكنه سيتلعثم في مراجع المقالات المحددة التي يحتاج الممارسون إلى الاستشهاد بها\". علاوة على ذلك، أشار فوجدار إلى أن البيانات المؤسسية الأكثر قيمة لم تصل أبدًا إلى التدريب المسبق على أي حال. إنه موجود في الأنظمة الداخلية وتنسيقات الملكية. قالت: \"إن RAG يساعد قليلاً\". \"لكنه مجرد إعطاء حقائق أفضل لنموذج لا يزال غير قادر على التفكير بشكل صحيح في هذا المجال.\" يعد التدريب المسبق على بيانات المجال أمرًا بالغ الأهمية؛ يجب على المؤسسات بعد ذلك تحسين أمثلة المهام الجيدة وبناء تقييماتها الخاصة. وقال فوجدار: \"إن بضعة آلاف من الأمثلة من ممارسين حقيقيين تتفوق على ملايين الأمثلة المزعجة والصاخبة\". يمكن لمزيج الخبراء (MoE) توفير التخصص دون زيادة تكاليف الاستدلال. يعمل أيضًا إقران RAG مع الضبط الدقيق بشكل جيد؛ يتعامل RAG مع المسار الطويل الواقعي بينما يعمل الضبط الدقيق على إصلاح المفردات والتفكير. وأشار دي بوليفييه إلى ميزة الأكوام الهجينة: نموذج للأغراض العامة للاستدلال والتنسيق، ونموذج أصغر حجمًا (أو استرجاع كثيف عبر مجموعة منسقة) لاستخراج مجال محدد. ونصح قائلاً: \"لا تقم بضبط النموذج لجعله \"أكثر ذكاءً\" فيما يتعلق بالمجال، بل قم بضبطه لجعله أكثر موثوقية في تنسيق الإخراج المحدد الذي يتطلبه سير عملك.\" وقال دي بوليفييه إن التجارة والبناء هي بالتأكيد صناعات تشهد جذبًا لهذه التقنيات، وكذلك القانون والرعاية الصحية. تحتوي هذه القطاعات على \"مخاطر عالية للأخطاء بالإضافة إلى تنسيقات المستندات الموحدة، مما يعادل عائد الاستثمار الواضح للتدريب على المجال\". قال فوجدار، أحد التحذيرات الصادقة الجديرة بالذكر: غالبًا ما تنهار النماذج المتخصصة خارج مجالها، لذا فهي غالبًا ما لا تكون مفيدة خارج نطاق خبرتها (ما لم يتم إعادة تدريبها). الإدراك والدلالات والوكلاء: داخل مجموعة Trunk المكونة من ثلاث طبقات في المجالات عالية التخصص مثل البناء، \"تفريغ البيانات\" في نماذج اللغات الكبيرة (LLMs) لا يفي بالغرض، كما قال أمريش كابور، كبير مسؤولي التكنولوجيا في Trunk. وذلك لأن معظم المحولات هي نماذج احتمالية: عندما يتم إعطاؤها صورة، فإنها تشير إلى أنها \"على الأرجح\" شجرة، أو \"على الأرجح\" طفل يلعب بجوار شجرة. وهذا يجعلها غير كافية للتفسير الرمزي عالي الدقة. على سبيل المثال، في وثائق البناء، يكون للرمز الذي يبلغ عرضه 2 ملم معنى مختلف تمامًا اعتمادًا على مكان وضعه. علاوة على ذلك، فإن النماذج الاحتمالية، المقيدة بقيود السياق، تكافح مع ذاكرة المشروع طويلة المدى. قال كابور: \"لا أقصد نافذة سياقية لعدد قليل من الرموز\". \"أنا أتحدث عن الذاكرة طويلة المدى التي تمتد عبر الأشهر والسنوات، لأن هذه هي المدة التي تستغرقها بعض هذه المشاريع.\" بدلاً من ذلك، يقوم نظام Trunk المكون من ثلاث طبقات بتقسيم سير العمل إلى: الإدراك (قراءة واستخراج البيانات من المستندات الفوضوية مثل ملفات PDF أو الرسومات أو عمليات المسح الضوئي) طبقة دلالية\/رسمية (فهم تلك البيانات وفهم العلاقات بينها). LLMs والوكلاء في الأعلى. وقال بوشنر إن رسومات البناء عادة ما تكون رمزية. لا يُسمى الباب دائمًا \"باب\". في بعض الأحيان يكون مجرد قوس على الحائط تتعلم العين المدربة قراءته بناءً على سنوات من الممارسة. وقالت: \"إن طبقة الإدراك هي التي تعلم الذكاء الاصطناعي قراءة تلك اللغة\". ثم تعطي الطبقة الدلالية معنى لهذه المعلومات؛ على سبيل المثال، ربط الباب بالرسم الذي يفصله، والمواصفات التي تحكمه، والتجارة التي تثبته. يساعد هذا في الإجابة على الأسئلة المهمة لمهندسي المشروع: ليس \"هل يوجد باب هنا؟\" ولكن \"هل يخلق هذا الباب مشكلة في المستقبل؟\" وهذا التحول مهم بشكل خاص في مجال البناء، لأن تكلفة المشكلة تتفاقم مع مرور الوقت. قال بوخنر: \"إن تكلفة معالجة الصراع الذي يتم اكتشافه في التصميم منخفضة نسبيًا، في حين أن نفس المشكلة التي يتم اكتشافها في الميدان قد تكلف عشرات الآلاف من الدولارات\". على مستوى عالٍ، يحدد النظام نوع المستند ويبدأ في استخراج المعلومات بناءً على المحتوى (الرسم، الجداول الزمنية، نص الفقرة). يتم بعد ذلك \"تحويل هذه البيانات وزيادتها\" في النظام الأساسي، مما يؤدي إلى تشغيل مسارات عمل وكيلة مثل علاقات الرسم البياني المعرفي وسير عمل المستخدم النهائي. على سبيل المثال، قد يقوم الوكيل بمراجعة نشرة معمارية وإنتاج تراكب مرئي يقارن بين إصدار أقدم وإصدار أحدث (وضع علامة على الإضافات والإزالة)، ثم إنشاء روايات مكتوبة تصف ماهية هذه التغييرات بعبارات بسيطة. يساعد ذلك المستخدمين على فهم ما تم تغييره والتنسيق مع الشركاء التجاريين بشأن الأسعار المحدثة وأوامر التغيير. وقال بوخنر: حجم مشكلة البيانات في البناء إن سير عمل البناء \"مليء بالافتراضات الضمنية والروابط بين البيانات في عدد لا يحصى من مصادرها\". وكمية البيانات غير المنظمة \"من المستحيل إنسانيًا\" معالجتها أو فهمها. وقدر بوشنر أن متوسط ​​المباني الشاهقة يولد حوالي 3.6 مليون صفحة من الوثائق المقابلة. \"إذا طبعته على كومة من الأوراق، فسيكون بارتفاع المبنى نفسه.\" أوضح كابور أن الطبقات الثلاث في مجموعة Trunk - الإدراك، والدلالة، وLLM - يتم تدريبها على \"مجموعات بيانات محددة للغاية\" من العملاء الذين لديهم \"أذونات صريحة\" ووضع العلامات التلقائية\/IP. يمكن للعملاء الذين لا يريدون تدريب Trunk على بياناتهم إلغاء الاشتراك. يتم إلغاء تحديد البيانات وتجميعها، ويقوم Trunk أيضًا بجمع \"أطنان أكثر\" من البيانات المصنفة من خلال مسارات أخرى مثل نمذجة معلومات البناء ثلاثية الأبعاد (BIM). تقول شركة Trunk إنها تقوم فقط بشحن العملاء الذين يحققون دقة تبلغ حوالي 95٪. يحتفظ الفريق بخطوط تقييم مستمرة بناءً على بيانات الحقيقة الأرضية من العملاء والخبراء. كما أنهم يستخدمون نموذج LLM كقاض. قال كابور: \"إن فكرة الحصول على ماجستير في القانون كقاضٍ هي تسجيل مدى جودة أدائك، سواء على المستوى الذاتي أو الموضوعي\". يمكن أن تكون الموضوعية \"صوابًا\" أو \"ليس صحيحًا\" بسهولة، لكن الذاتية تتطلب المزيد من الفروق الدقيقة. على سبيل المثال، عند إنشاء بريد إلكتروني أو سرد أو شرح، يمكن لإطار LLM كإطار للقاضي إنشاء درجة مركبة، أو قيمة رقمية تجمع مقاييس مختلفة وتختبر أداء النموذج أو مخاطره. ومع ذلك، قد تكون هناك تحديات، خاصة فيما يتعلق بزمن الوصول، كما أشار بوخنر. في أي وقت تزداد فيه القدرة الاستدلالية للنماذج الأساسية، يرتفع خطر الكمون أيضًا. يحتفظ Trunk بمجموعة من معايير التقييم لقياس زمن الاستجابة بشكل موضوعي عند إجراء تغييرات على البنية التحتية الأساسية والوكلاء واستدعاءات واجهة برمجة التطبيقات (API). وقال بوشنر: \"قبل أن نصدره للعملاء، نتأكد من أن التغييرات الهامشية في تجربة المستخدم النهائي تستحق تحسينات الأداء\". من 60 يومًا إلى 10: العائد القابل للقياس تعمل منصة Trunk على تشغيل سبعة وكلاء للذكاء الاصطناعي مصممين خصيصًا للبناء، مثل تحليل استجابات طلب المعلومات (RFI)، أو مراجعة العطاءات، أو مراجعة الرسومات والتقديمات. على سبيل المثال، يقوم وكيل الإرسال بوضع علامة على المعلومات المفقودة أو المتضاربة أو غير المتوافقة في مواصفات المنتج وطلبات المعلومات (RFI). على الرغم من أنها خطوة أساسية في عملية البناء، إلا أنها \"سير عمل مزعج للغاية\"، كما قال بوشنر، لأنه يتعين على المراجعين البشريين مقارنة المستندات \"مع مجموعة من الأجزاء الأخرى من المستندات\". لكن الوكيل قادر على القيام بذلك في ثوانٍ، ويقول ترانك إنه خفض دورات التقديم من 50 إلى 60 يومًا إلى 10، \"وهو ما ينطوي على جدول زمني ضخم وآثار مالية\". أصبح ترانك الآن في مكان يتواصل فيه هؤلاء العملاء مباشرة مع بعضهم البعض، وهو أمر \"مثير للغاية\". قال بوخنر. لذلك، على سبيل المثال، سيقوم أحد الوكلاء بمراجعة الرسم المعماري للتأكد من دقته، ثم يسلمه بشكل مستقل إلى الوكلاء الذين يتعاملون مع طلبات المعلومات ويطرحون أسئلة المتابعة. وأوضح بوشنر: \"إذا كانت هناك مشاكل في الرسومات، فإن وكيل RFI يتولى المسؤولية ويتواصل بنشاط للحصول على التوضيح\". يقول Trunk أن عملائه يبلغون عن توفير ما بين 20 إلى 40 دقيقة لكل سؤال ميداني. وقال بوخنر إن المستخدمين في هذا المجال يعرفون أكثر من أي شخص آخر مدى \"امتصاص الوقت\" للانتقال من مقطورات المكاتب ذهابًا وإيابًا، والتنقيب في مستندات المشروع في أنظمة متناثرة أو ملفات PDF مطبوعة، وتسوية التناقضات، والعودة للتنسيق مع الشركاء التجاريين. يقول Trunk أن عملائه يبلغون عن هذه النتائج الإضافية: متوسط ​​توفير الوقت لمدة 8 دقائق لاسترجاع مستند واحد (التحقق من الحالة، والبحث عن الموقع، والاستعلامات عن الكمية). متوسط ​​توفير الوقت لمدة 20 دقيقة للمرجع القياسي (الإحالة المرجعية من 2 إلى 3 أقسام مواصفات لتكوين إجابة. متوسط ​​توفير الوقت لمدة 40 دقيقة للبحث متعدد المستندات (سرد الاستعلامات وتصفيتها، ورسم خرائط العلاقات، وتحليل طلبات المعلومات (RFI) وعمليات الإرسال عبر 4 إلى 6 مستندات). توفير متوسط ​​الوقت لمدة 75 دقيقة للمهام المعقدة (إنشاء طلبات المعلومات ومواد الاتصال الأخرى، والإحالة المرجعية العميقة عبر المستندات، وتتبع التغيير). في إحدى الحالات، أشار وكيل مراجعة الرسم في Trunk إلى أنه قد تم رفع عارضة هيكلية بمقدار 8.5 بوصة. ومع ذلك، لم يتم توثيق ذلك من قبل المهندس المعماري. وقال بوشنر إنه إذا لم يتم اكتشاف التغيير، فمن المحتمل أن يضطر مدير المشروع إلى إزالة الحزمة ذات الحجم المناسب وإعادة تركيبها. وكان من شأن إعادة العمل هذه أن تضيف 10 آلاف دولار أو أكثر إلى الميزانية، و\"بالتأكيد ستكون هناك آثار على الجدول الزمني\". وأشار بوخنر أيضًا إلى أمثلة أخرى: أبلغ أحد الوكلاء عن مبلغ 60 ألف دولار في أسعار مبالغ فيها دون أي مبرر من مقاولي الباطن لتنسيق الحدائق؛ تحديد مدفأة يجب إغلاقها قبل تركيب الحوائط الجافة، مما يوفر حوالي 100000 دولار من العمالة والمواد والتأخير؛ وأشار إلى أن الباب الكهربائي يتطلب لوحة غير متضمنة في الكهرباء رسومات. الدروس المستفادة من الصناعات الأخرى ينطبق نهج Trunk تجاه وكلاء البناء على أي عمل رأسي يحتوي على كميات كبيرة من البيانات غير المنظمة الخاصة بالصناعة. قال بوشنر إنه يجب على منشئي الأعمال الذين يعملون في قطاعات محددة أن يفهموا تحديات البيانات المحددة في الصناعة التي يواجهها المستخدمون النهائيون وأن يبنوا بنية تحتية تقنية يمكنها تحويل البيانات غير المنظمة إلى شيء \"يمكن لخريجي ماجستير إدارة الأعمال اجتيازه وفهمه\". \"عندها فقط يمكنك بناء الاتصالات بين نقاط البيانات التي تغذي في النهاية سير العمل الوكيل.\" ينصح بوخنر باستثمار الكثير من الأموال في النماذج الأساسية، لذلك يجب على الشركات بناء أنظمة معيارية يمكنها الاستفادة من نقاط القوة في النماذج المختلفة مع استمرارها في التحسن. ثم، \"قم ببناء ميزتك التقنية حيث لا تستثمر النماذج العامة ولا تؤدي أداءً جيدًا\". قال.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/07\/02\/1140045\/achieving-operational-excellence-with-ai\/",
            "title_en": "Achieving operational excellence with AI",
            "summary_en": "Frameworks like Lean Six Sigma and business process management (BPM) first gained traction because they promised clarity in the chaos—a structured way to bring order to messy, sprawling operations. Lean Six Sigma emphasized statistical rigor and quality control; BPM created end-to-end maps of how work should flow across departments. Both offered a repeatable way to embed habits of measurement, analysis, and accountability into day-to-day company culture. DOWNLOAD THE REPORT But today, those time-tested playbooks are evolving as companies seek to embed AI into established process excellence methodologies. By some estimates, the market for AI-powered process optimization is projected to exceed $113 billion within the next decade. In one study, a full 88% of business leaders anticipated incre",
            "body_en": "Frameworks like Lean Six Sigma and business process management (BPM) first gained traction because they promised clarity in the chaos—a structured way to bring order to messy, sprawling operations. Lean Six Sigma emphasized statistical rigor and quality control; BPM created end-to-end maps of how work should flow across departments. Both offered a repeatable way to embed habits of measurement, analysis, and accountability into day-to-day company culture. DOWNLOAD THE REPORT But today, those time-tested playbooks are evolving as companies seek to embed AI into established process excellence methodologies. By some estimates, the market for AI-powered process optimization is projected to exceed $113 billion within the next decade. In one study, a full 88% of business leaders anticipated increasing investments into AI-infused process intelligence in the next 12 to 18 months. Yet without the right foundations, many of those investments may not fully deliver on their potential. Companies that already operate with discipline have an edge. They can channel new tools into proven systems rather than bolting them onto shaky foundations. Organizations with mature process disciplines are also better positioned to translate AI ambition into real outcomes, as they are already accustomed to data-driven decision-making and process discipline—precisely the cultural foundation AI systems need to deliver value. Simply put: AI can accelerate process excellence, but existing process excellence is what makes AI truly impactful. Technology and process are no longer separate levers, and only organizations that pull them together stand to realize the full value of both. Download the full report. This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/07\/MIT_TP2_2026_V9_Cover.png?w=1555",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/07\/02\/1140045\/achieving-operational-excellence-with-ai\/",
            "date": "2026-07-02",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تحقيق التميز التشغيلي باستخدام الذكاء الاصطناعي",
            "summary_ar": "اكتسبت أطر عمل مثل Lean Six Sigma وإدارة عمليات الأعمال (BPM) قوة جذب في البداية لأنها وعدت بالوضوح في الفوضى - وهي طريقة منظمة لجلب النظام إلى العمليات الفوضوية والمترامية الأطراف. أكد Lean Six Sigma على الدقة الإحصائية ومراقبة الجودة؛ أنشأت BPM خرائط شاملة لكيفية تدفق العمل عبر الأقسام. وقد قدم كلاهما طريقة قابلة للتكرار لتضمين عادات القياس والتحليل والمساءلة في ثقافة الشركة اليومية. قم بتنزيل التقرير ولكن اليوم، تتطور قواعد اللعب التي تم اختبارها عبر الزمن حيث تسعى الشركات إلى دمج الذكاء الاصطناعي في منهجيات التميز في العمليات الراسخة. ووفقاً لبعض التقديرات، من المتوقع أن يتجاوز سوق تحسين العمليات التي تعتمد على الذكاء الاصطناعي 113 مليار دولار خلال العقد المقبل. في إحدى الدراسات، توقع 88% من قادة الأعمال زيادة",
            "body_ar": "اكتسبت أطر عمل مثل Lean Six Sigma وإدارة عمليات الأعمال (BPM) قوة جذب في البداية لأنها وعدت بالوضوح في الفوضى - وهي طريقة منظمة لجلب النظام إلى العمليات الفوضوية والمترامية الأطراف. أكد Lean Six Sigma على الدقة الإحصائية ومراقبة الجودة؛ أنشأت BPM خرائط شاملة لكيفية تدفق العمل عبر الأقسام. وقد قدم كلاهما طريقة قابلة للتكرار لتضمين عادات القياس والتحليل والمساءلة في ثقافة الشركة اليومية. قم بتنزيل التقرير ولكن اليوم، تتطور قواعد اللعب التي تم اختبارها عبر الزمن حيث تسعى الشركات إلى دمج الذكاء الاصطناعي في منهجيات التميز في العمليات الراسخة. ووفقاً لبعض التقديرات، من المتوقع أن يتجاوز سوق تحسين العمليات التي تعتمد على الذكاء الاصطناعي 113 مليار دولار خلال العقد المقبل. في إحدى الدراسات، توقع 88% من قادة الأعمال زيادة الاستثمارات في ذكاء العمليات المعزز بالذكاء الاصطناعي خلال الـ 12 إلى 18 شهرًا القادمة. ومع ذلك، فمن دون الأسس الصحيحة، فإن العديد من هذه الاستثمارات قد لا تحقق كامل إمكاناتها. الشركات التي تعمل بالفعل بانضباط لديها ميزة. يمكنهم توجيه أدوات جديدة إلى أنظمة مثبتة بدلاً من تثبيتها على أسس هشة. كما أن المنظمات ذات التخصصات العملية الناضجة هي أيضًا في وضع أفضل لترجمة طموح الذكاء الاصطناعي إلى نتائج حقيقية، حيث أنها معتادة بالفعل على اتخاذ القرارات القائمة على البيانات وانضباط العمليات - وهو على وجه التحديد الأساس الثقافي الذي تحتاجه أنظمة الذكاء الاصطناعي لتقديم القيمة. ببساطة: يمكن للذكاء الاصطناعي تسريع التميز في العمليات، ولكن التميز الحالي في العمليات هو ما يجعل الذكاء الاصطناعي مؤثرًا حقًا. لم تعد التكنولوجيا والعمليات رافعة منفصلة، ​​والمنظمات التي تجمعهما معًا هي وحدها القادرة على إدراك القيمة الكاملة لكليهما. قم بتنزيل التقرير الكامل. تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي ​​تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/07\/02\/1138433\/teaching-ai-to-run-with-the-turbines\/",
            "title_en": "Teaching AI to run with the turbines",
            "summary_en": "Artificial intelligence may have captured the public imagination through chatbots and image generators, but some of its most consequential use cases are unfolding far from consumer-facing tools. In industries where physical infrastructure, operational continuity, and safety are paramount, AI is becoming a core operating layer. With its sprawling industrial systems and constant stream of operational data, the energy sector offers a glimpse into what that future could look like. At Woodside Energy, AI adoption did not begin with generative models or enterprise copilots. The company has spent years building predictive analytics, optimization systems, and machine learning tools across exploration, drilling, maintenance, and plant operations. “We’ve always had very large volumes of operational ",
            "body_en": "Artificial intelligence may have captured the public imagination through chatbots and image generators, but some of its most consequential use cases are unfolding far from consumer-facing tools. In industries where physical infrastructure, operational continuity, and safety are paramount, AI is becoming a core operating layer. With its sprawling industrial systems and constant stream of operational data, the energy sector offers a glimpse into what that future could look like. At Woodside Energy, AI adoption did not begin with generative models or enterprise copilots. The company has spent years building predictive analytics, optimization systems, and machine learning tools across exploration, drilling, maintenance, and plant operations. “We’ve always had very large volumes of operational data coming from the equipment and the plants and the assets that we operate,” says the company’s vice president for digital Andrew Melouney. “Those have created really clear, quite high-value use cases for us.” That long-term investment in infrastructure and governance is now enabling a broader shift toward agentic AI systems that can support complex industrial workflows. Rather than replace human operators, Woodside designs AI systems to augment expertise in high-stakes environments. A prime example is its “Startup Advisor,” an AI copilot that helps operators manage the complex process of starting liquefied natural gas (LNG) plants. “We’re really thinking about, how does it support the people in the organization in terms of empowering them to make better decisions, to make faster decisions,” Melouney explains. The company’s approach reflects a wider evolution taking place across industrial AI: graduating from isolated experiments to enterprise-wide systems built on standardized platforms, governed data, and repeatable deployment patterns. That transition, Melouney argues, requires organizations to rethink both their technology stacks and how work itself gets done. “We’re not just bolting AI onto an existing process,” he says. “We’re deeply thinking about how that work needs to be reimagined.” Melouney’s motto has become: “Think big, prototype small, and scale fast.” As AI systems become more autonomous and interconnected, the companies poised to succeed may be those that spent years building the operational foundations beneath the hype. “Our ambition is really for an autonomous enterprise, where we have agents with agency that are able to really deeply interact with our core workflows,” says Melouney. This episode of Business Lab is produced in partnership with Infosys. Full Transcript: Megan Tatum: From MIT Technology Review, I’m Megan Tatum, and this is Business Lab, the show that helps business leaders make sense of new technologies coming out of the lab and into the marketplace. This episode is produced in partnership with Infosys. Now, when people think about artificial intelligence, they often picture chatbots or productivity tools, but some of the most sophisticated and high impact uses of AI are actually happening far from consumer apps, inside complex industrial environments where safety, reliability, and physical systems matter. The global energy sector is a prime example. Companies like Woodside Energy, a global energy producer headquartered in Western Australia, have been applying AI for more than a decade now, from advanced analytics and operations, to remote decision support, to smarter maintenance, and energy efficiency across large scale assets. Today, Woodside is scaling that experience, embedding AI more deeply across its operations and the enterprise with a strong focus on governance, data quality, and human accountability. Two words for you: technological fuel. My guest today is Andrew Melouney, vice president for digital at Woodside Energy. Welcome, Andrew. Andrew Melouney: Thanks, Megan. It’s great to be here. Megan: Lovely to have you. Now, Andrew, as I said there, the energy sector has approached AI quite differently from technology or consumer businesses. Early value has emerged in operational and industrial environments, rather than consumer-facing generative AI tools. Why is that? And what differentiates the energy sector’s AI journey? Andrew: Megan, I think it really comes down to the nature of the work we do. Energy operations and what Woodside does is very asset intensive, it’s very safety critical, and it’s highly physical. And when you think about how Woodside operates, we operate across the full value chain. We do exploration through to drilling and subsurface work, to project development, all the way through to operating assets, which are often operated in harsh and remote locations, and then global energy portfolio marketing and trading as well. We’ve always had very large volumes of operational data coming from the equipment and the plants and the assets that we operate, and those have created really clear, quite high-value use cases for us. When you think about reliability, when you think about safety and efficiency, those are really critical things for a company like Woodside. We’ve been doing traditional AI for many years now. If you think about analytics, if you think about optimization, if you think about things like predictive models, those techniques we’ve been applying to our data sets and to our business since around 2015. And more recently with the advent of generative AI, we’ve really found that we’ve got a pretty strong and awesome foundation to build on top of and to really solve problems in the service of improving the business. And again, whether that is keeping people safe, keeping the environments we operate in safe, or improving returns for the organization. Megan: Fantastic. I mean you touched on it there, but how has this reality shaped your own AI strategy at Woodside? Where did you start, and where did the technology prove most impactful in those early days? Andrew: Well, like I said, we’ve had a very long journey, in terms of understanding our operational data, recognizing the value of it, and collecting it at scale so that we can use it. And we’ve been very deliberate in that approach, Megan. We’ve really thought about where the value is and where the risks were manageable. And we’ve started looking at, in today’s world from an agentic AI perspective, we’ve started looking at the problems that were solved with traditional AI and machine learning and data science in the past. And we’ve started to think about, where can we then layer agentic AI over the top to provide an even better outcome? For our asset intensive industry and organization, we’re looking at areas such as maintenance optimization. We’re looking at areas such as, how do we ensure our LNG plants start up reliably, consistently, and safely? And we’re considering really our frontline workforce and making sure that we’re giving people on the frontline the tools required to do their jobs. When we think about AI, we’re really thinking about, how does it support the people in the organization in terms of empowering them to make better decisions, to make faster decisions? I think over time, this has just evolved from what has been traditional analytics to now artificial intelligence and generative AI. And we’ve learned along the way that the technology is important, but it’s about aligning people, processes, and the technology together. We’ve spent a long time not only in collecting the data and having a well-curated data set that we can build on top of, but we’ve also spent a lot of time teaching people how to work in agile ways, how to do design thinking, how to problem solve, and how to really make sure that the technology that, say, my team can bring to bear to the organization is adopted effectively and purposefully. And I think once we had that solid foundation in place from a technology perspective, from a data perspective, once we got strong trust built between our digital teams and the organization, we really saw quite a material uptick and the scaling of technology occur more broadly across the enterprise. Megan: Fantastic. That people piece so important, isn’t it? It’s just a tool, technology, that needs to be in the right hands. And you touched on data there; industrial AI obviously depends on vast amounts of data. Can you walk us through how you’ve approached data at Woodside in a little more detail? How it’s structured and governed, and how tools like maintenance intelligence as well fit into that. Andrew: Well, data is really foundational and fundamental to everything we do, particularly from a technology perspective. It gives us the ability to innovate at pace when we are building over the top of a strong foundation. As I said before, we’ve had the benefit of a long-term investment in our underlying operational data. I think the way we think about data is that it’s an asset for us. And when you think about operating a facility where you’ve got sensors everywhere, you’ve got data streaming in real time, you’ve got operators needing to make decisions in real time, we have consciously made a decision over many, many years to invest in that enterprise scale data platform to make sure that it’s secure. We’ve got well-structured data assets, and we’ve got strong governance over the top of that data so that when it is used, when it’s built in a data science application or an AI agent, that we’ve got a level of trust in it that it’s going to be used responsibly. And that when it’s used, it can be trusted to give the outcome that we expect. We have developed platforms that continuously ingest really high frequency data from the assets and from our enterprise systems. Once we’ve been able to develop solutions on top of that, parts of the business that might own the systems that collect that data, they see the value in it. When you look at something like maintenance intelligence is a really good example of how we’ve been able to take something that we’ve been working on for a long time. Woodside does a lot of maintenance, it’s a very important part of our business, and it occurs across all of our operating assets. But we have been looking at how we do predictive analytics and predictive maintenance for a long time across that data set that we own. And something like maintenance intelligence is a solution that gives us the ability to optimize how we do that maintenance. And what it does is it analyzes historical maintenance records, alongside the performance of the equipment. And again, by having that data set well-governed and in one place, we get the ability to correlate different data sets, such as maintenance records out of SAP, alongside say equipment and performance coming from our time series data lake. And when we build over the top of that, something like maintenance intelligence gives us the opportunity to recommend to the assets what the optimal timing for maintenance activities might be, and really give what is quite a simple aim, which is do the right work at the right time. And with something like maintenance intelligence, we have seen the opportunity, and we have the opportunity to reduce maintenance hours by up to 15% over five years on one of the assets that we’ve piloted this on. And as we’ve built out that underlying analytical model, we’re now able to put agentic AI over the top of that and provide better insights and optimize that solution more. It really comes down to providing our asset teams and our operational teams with the right decision support capability that ensures they’re still accountable to make the decision and to ensure the right work is being done, but we are giving them the best possible opportunity to use their judgment and experience with the data that we provide to make the right decision. Megan: Sounds like a really impactful change. Last year also marked a milestone in moving from early AI learnings to scale, using AI more deliberately as a force multiplier. What transition were you trying to make and how did you approach it? Andrew: Well, Megan, we’ve had a philosophy for a long time in Woodside from an innovation perspective, where we really want to think big, we want to prototype small, and we want to scale fast. We want to find big opportunities that we can go after, but we want to ensure that we look at how we deploy those on a small scale first, and then provide the right learning and insight that then can scale it everywhere. Something like maintenance intelligence is a good example of that, or our Startup Advisor, where we know that we’ve got multiple plants that we need to start up. We know that we’ve got multiple assets that need to do maintenance, so we have a big, bold ambition about how we can improve and optimize that. We start with a small prototype; it might be one subsystem, it might be just a part of an asset, and then we scale it out, we learn, and we scale faster. I think from an AI learning perspective, one of the key things we’ve learned is really the transition from moving from isolated AI solutions to a more coordinated enterprise-wide capability. If you look back maybe 18 months, two years, in our generative AI journey, we rarely started by deploying AI as broadly as we could in the organization from a personal productivity perspective. And probably being quite open in terms of the problems that we will solve, the business problems that we’ll solve with AI. That had a lot of benefits for us in terms of allowing our organization to get to know AI, get to know the capabilities, to build the trust in it. What we’ve learned though is that we’ve needed to pivot from that to being a little bit tighter in terms of where we are going to invest our time and resources and more higher value solutions. How do we then enable and empower the rest of the organization so that they can actually effectively problem solve with technology in their domain or in their personal productivity without having to come to a central team? When we think about that, think big, prototype small, scale fast, has been something really important for us. The transition from a more broader approach to use case development and solution development to now a narrower focus on the high value priorities. We’ve seen that paying dividends to us and allowing us to go after solutions and opportunities, things like Startup Advisor. And so our Startup Advisor is a agentic AI solution that really aims to optimize and empower and better support our operators that sit in front of a panel and have to start up LNG plants, which are incredibly technical facilities and require really specialist skills to start up. And so our Startup Advisor is almost like a copilot that sits alongside those operators, and it gives them the ability to be able to play back previous startups. It gives them the ability to look at how the current startup is progressing, and it provides them better insights to optimize how they start up that facility. And again, starting up an LNG facility is incredibly complex. Megan: I can imagine. Andrew: When we think about opportunities like Startup Advisor, again, it goes back to that think big, prototype small, and scale fast. We started with a very bold vision of, how do we start up all of our LNG plants in a much more structured and optimized fashion? How do we better support our panel operators? How do we make, say, a more junior panel operator have a copilot that can help them almost like an experienced panel operator sitting next to them? And when we think about that vision and the ability then to prototype on a small scale and then scale fast, I think it’s been really successful for us. As we scale, we’ve just naturally expanded into more agent-based solutions. Today, we’ve got around 50 AI agents in production, supporting both our operating assets and our enterprise workflows. These tools have been proven in live environments, and we have really seen the benefit of being able to shift from point solutions that maybe solve small scale problems in specific areas, to AI and agentic solutions with agency that can really work across our workflows. We’re able to do this because we’ve standardized on the platform that we build on and we’ve got repeatable patterns. That’s been another really important learning for us, is that we don’t want to build 50 solutions in 50 different ways. We really want to be empowering our organization and our technical teams and the users of our solutions to roll them out quickly, to roll them out safely, and to do it in a patternized and platform manner. But the last point I’ll make, Megan, from a learning perspective is that we’ve really understood that a strong governance around how AI is deployed and developed is critical for us, and it’s critical for us to go fast as well. The traditional ways of governing how we roll out different solutions or digital systems isn’t going to scale to the breadth that we need when we are thinking about AI. Being able to have a clear philosophy around how we innovate, transitioning from isolated solutions to that enterprise-wide capability, and making sure that we’ve got strong platforms with strong patterns and clear governance are the three really critical things that we’ve learned. Megan: Such important pillars, all of them. And you’ve been working with Infosys on this journey. How has that partnership helped accelerate scaling and embedding AI across the business? Andrew: Well, Infosys is our managed service provider, and so they play a really critical role in the operations of our core business. One of the things that I like to say is that our license to innovate is based on our license to operate. And so, for my team to be able to turn up to an operating asset or a corporate function and have the trust that’s needed to be able to innovate and reimagine and redesign how work gets done, to be able to do that, we need to make sure that our core platforms, our core systems, our applications are running really reliably, safely, and consistently every day. Having an experienced partner like Infosys looking after those core operations in partnership with our internal teams is really, really important to us. As we move from pilots to enterprise-wide deployment, the ability to partner with someone like Infosys also gives us the ability to scale. And so being from Perth and Western Australia, while we’ve got a really strong local team in Western Australia, and we’ve also got a very strong team in some of our other operating locations, like everyone, we’re struggling to find people that can fill AI roles. Being able to partner with Infosys and have a number of different operating models at our disposal becomes really important for us. Having co-mingled teams where they are staff, they are Infosys staff, Woodside staff, and some of our other partners, really just brings diversity of thought and experience to how we solve problems. Fundamentally, the partnership has allowed us to operate and innovate with more confidence. While Woodside always retains ownership of the strategy and where we’re going and the governance and my teams remain accountable for the outcomes, we can’t do what we do without strong partnerships like the one we have with Infosys. Megan: Fantastic. And as AI adoption scales, you mentioned yourself, governance becomes increasingly important. How challenging has that been, and what guardrails have you put in place at Woodside? Andrew: So, Megan, governance is really important to us, and we operate in a well-regulated environment. That means we’ve got to make really deliberate and well-reasoned decisions when we’re thinking about how we deploy technology into our organization, whether it’s artificial intelligence or anything else, for that matter. And so, governance is really central to how we approach the execution of our AI strategy at Woodside. We’ve got maybe two or three really key things that we’ve put in place. The first one is just making sure that every AI use case goes through a structured assessment, and that’s making sure it meets our privacy controls, our cyber controls. We’re also asking the question, not just, could we do this, but should we do this? We’ve really got to bring together safety, ethics, transparency, accountability, and make sure that we make an informed decision. When an AI solution is going through that structured assessment, if there are concerns about how we might use that solution, it then goes to an AI council that’s made up of senior leaders across the organization. That council and that group really oversee some of the prioritization and risk management. That’s where we can have really strong, robust debates around, again, could we do something, should we do it, and how do we mitigate any of the risks that we might introduce here? I think the last one, Megan, is really around lifecycle management. When you start thinking about, we’ve got 50 at the moment, but if we had 500 agents working in our organization, really amplifying the experience and the decision-making and the value creation of our staff, we really want to have an ability to manage the lifecycle of how those agents operate. We want to know, how many people are using them? What’s the efficacy and the outcome? Is there model drift? Do we need to retune or retrain? I think that’s an area where many organizations, including Woodside, are still leaning into and still figuring out the best way to do this. We can do it quite easily with 50 agents, but 500, 5,000, 50,000 becomes an opportunity for us. Again, thinking about how we partner with others, solving problems like that really present an opportunity to co-create and to co-solve with some of our partners, like with Infosys. Megan: Fantastic. Just to close, what’s your long-term vision for AI at Woodside? How do you see this evolving over the years ahead, and what could it unlock for the sector in your view? Andrew: So Megan, I think our ambition is really for an autonomous enterprise, where we have agents with agency that are able to really deeply interact with our core workflows. The outcome that we want to get from that is to protect our people, to protect the environments we operate in, and to be able to provide energy at a lower cost to the world. When we think about that ambition, we can really see that being applied to almost all of the areas that Woodside work in. Whether that’s from exploration through to project developments, through to operations or marketing, the scale of the opportunity in front of us and the ability for us to really change the way that work flows through the organization is really exciting. For us, there’s three things that we have to get right in terms of being able to execute on that ambition. The first one is really thinking about how the work gets done in the organization so that we’re not just bolting AI onto an existing process, but we’re deeply thinking about how that work needs to be reimagined. We’ve also got to think about how we enable our workforce to work differently. Providing them with the skills and the tools and the ability to really harness the power of the technology that we provide. Secondly, we’ve got to continue to move from and restrain ourselves from deploying point solutions that solve very narrow problems, to having more connected, agentic systems of systems that can interact with each other. To do that, and if we do that successfully, that’s where we really get the high value unlock from agents being able to interact with workflows and really change how the work gets done. And lastly, Megan, it’s about how we must continue our philosophy of thinking big, prototyping small, and scaling fast. Megan: Which is a fantastic lens to which to make all these decisions. Thank you so much, Andrew. That was Andrew Melouney, vice president for digital at Woodside Energy, whom I spoke with from Brighton in England. That’s it for this episode of Business Lab. I’m your host, Megan Tatum. I’m a contributing editor and host for Insights, the custom publishing division of MIT Technology Review. We were founded in 1899 at the Massachusetts Institute of Technology, and you can find us in print, on the web, and at events each year around the world. For more information about us and the show, please check out our website at technologyreview.com. This show is available wherever you get your podcasts. And if you enjoyed this episode, we hope you’ll take a moment to rate and review us. Business Lab is a production of MIT Technology Review, and this episode was produced by Giro Studios. Thanks ever so much for listening. Goodbye. This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/06\/Andrew-Melouney.png?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/07\/02\/1138433\/teaching-ai-to-run-with-the-turbines\/",
            "date": "2026-07-02",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تعليم الذكاء الاصطناعي للعمل مع التوربينات",
            "summary_ar": "ربما استحوذ الذكاء الاصطناعي على خيال الجمهور من خلال برامج الدردشة الآلية ومولدات الصور، ولكن بعض حالات الاستخدام الأكثر أهمية تتكشف بعيدًا عن الأدوات التي تواجه المستهلك. في الصناعات التي تكون فيها البنية التحتية المادية واستمرارية العمليات والسلامة ذات أهمية قصوى، أصبح الذكاء الاصطناعي طبقة تشغيل أساسية. وبفضل أنظمته الصناعية المترامية الأطراف والتدفق المستمر للبيانات التشغيلية، يقدم قطاع الطاقة لمحة عما يمكن أن يبدو عليه هذا المستقبل. في Woodside Energy، لم يبدأ اعتماد الذكاء الاصطناعي بالنماذج التوليدية أو مساعدي الطيارين المؤسسيين. أمضت الشركة سنوات في بناء التحليلات التنبؤية وأنظمة التحسين وأدوات التعلم الآلي عبر عمليات الاستكشاف والحفر والصيانة وعمليات المصنع. \"لقد كان لدينا دائمًا كميات كبيرة جدًا من العمليات",
            "body_ar": "ربما استحوذ الذكاء الاصطناعي على خيال الجمهور من خلال برامج الدردشة الآلية ومولدات الصور، ولكن بعض حالات الاستخدام الأكثر أهمية تتكشف بعيدًا عن الأدوات التي تواجه المستهلك. في الصناعات التي تكون فيها البنية التحتية المادية واستمرارية العمليات والسلامة ذات أهمية قصوى، أصبح الذكاء الاصطناعي طبقة تشغيل أساسية. وبفضل أنظمته الصناعية المترامية الأطراف والتدفق المستمر للبيانات التشغيلية، يقدم قطاع الطاقة لمحة عما يمكن أن يبدو عليه هذا المستقبل. في Woodside Energy، لم يبدأ اعتماد الذكاء الاصطناعي بالنماذج التوليدية أو مساعدي الطيارين المؤسسيين. أمضت الشركة سنوات في بناء التحليلات التنبؤية وأنظمة التحسين وأدوات التعلم الآلي عبر عمليات الاستكشاف والحفر والصيانة وعمليات المصنع. يقول نائب رئيس الشركة للشؤون الرقمية أندرو ميلوني: \"لدينا دائمًا كميات كبيرة جدًا من البيانات التشغيلية القادمة من المعدات والمصانع والأصول التي نقوم بتشغيلها\". \"لقد أنشأ هؤلاء حالات استخدام واضحة جدًا وذات قيمة عالية جدًا بالنسبة لنا.\" ويعمل هذا الاستثمار الطويل الأجل في البنية الأساسية والحوكمة الآن على تمكين تحول أوسع نحو أنظمة الذكاء الاصطناعي الفاعلية القادرة على دعم سير العمل الصناعي المعقد. بدلاً من استبدال المشغلين البشريين، تصمم Woodside أنظمة الذكاء الاصطناعي لزيادة الخبرة في البيئات عالية المخاطر. ومن الأمثلة البارزة على ذلك \"مستشار الشركات الناشئة\"، وهو مساعد طيار يعمل بالذكاء الاصطناعي يساعد المشغلين على إدارة العملية المعقدة لبدء محطات الغاز الطبيعي المسال. يوضح ميلوني: \"نحن نفكر حقًا في كيفية دعم الأشخاص في المنظمة من حيث تمكينهم من اتخاذ قرارات أفضل، واتخاذ قرارات أسرع\". يعكس نهج الشركة تطورًا أوسع يحدث عبر الذكاء الاصطناعي الصناعي: التخرج من التجارب المعزولة إلى الأنظمة على مستوى المؤسسة المبنية على منصات موحدة، وبيانات محكومة، وأنماط نشر متكررة. ويرى ميلوني أن هذا التحول يتطلب من المؤسسات إعادة التفكير في مجموعتها التكنولوجية وكيفية إنجاز العمل نفسه. ويقول: \"نحن لا نقوم فقط بإدخال الذكاء الاصطناعي في عملية قائمة\". \"نحن نفكر بعمق في كيفية إعادة تصور هذا العمل.\" لقد أصبح شعار ميلوني: \"فكر بشكل كبير، وصمم نموذجًا أوليًا صغيرًا، وتوسع بسرعة\". ومع أن أنظمة الذكاء الاصطناعي أصبحت أكثر استقلالية وترابطا، فإن الشركات التي تستعد للنجاح قد تكون تلك التي أمضت سنوات في بناء الأسس التشغيلية تحت هذه الضجة. يقول ميلوني: \"إن طموحنا هو في الواقع إنشاء مؤسسة مستقلة، حيث يكون لدينا وكلاء لديهم القدرة على التفاعل بعمق مع سير العمل الأساسي لدينا\". تم إنتاج هذه الحلقة من Business Lab بالشراكة مع Infosys. النص الكامل: ميغان تاتوم: من معهد ماساتشوستس للتكنولوجيا MIT Technology Review، أنا ميغان تاتوم، وهذا هو Business Lab، وهو البرنامج الذي يساعد قادة الأعمال على فهم التقنيات الجديدة التي تخرج من المختبر إلى السوق. تم إنتاج هذه الحلقة بالشراكة مع شركة Infosys. الآن، عندما يفكر الناس في الذكاء الاصطناعي، فإنهم غالبًا ما يتصورون روبوتات الدردشة أو أدوات الإنتاجية، ولكن بعض الاستخدامات الأكثر تطورًا وعالية التأثير للذكاء الاصطناعي تحدث في الواقع بعيدًا عن تطبيقات المستهلك، داخل بيئات صناعية معقدة حيث السلامة والموثوقية والأنظمة المادية مهمة. ويعد قطاع الطاقة العالمي مثالا واضحا على ذلك. تقوم شركات مثل Woodside Energy، وهي شركة عالمية لإنتاج الطاقة ومقرها في غرب أستراليا، بتطبيق الذكاء الاصطناعي منذ أكثر من عقد من الزمن، بدءًا من التحليلات والعمليات المتقدمة، إلى دعم القرار عن بعد، إلى الصيانة الأكثر ذكاءً، وكفاءة الطاقة عبر الأصول واسعة النطاق. واليوم، تعمل Woodside على توسيع نطاق هذه التجربة، ودمج الذكاء الاصطناعي بشكل أعمق عبر عملياتها والمؤسسة مع التركيز القوي على الحوكمة وجودة البيانات والمساءلة البشرية. كلمتين لك: الوقود التكنولوجي. ضيفي اليوم هو أندرو ميلوني، نائب الرئيس للشؤون الرقمية في Woodside Energy. مرحبًا أندرو. أندرو ميلوني: شكرًا ميغان. من الرائع أن أكون هنا. ميغان: جميل وجودك. الآن، أندرو، كما قلت هناك، تعامل قطاع الطاقة مع الذكاء الاصطناعي بشكل مختلف تمامًا عن التكنولوجيا أو الشركات الاستهلاكية. ظهرت القيمة المبكرة في البيئات التشغيلية والصناعية، بدلاً من أدوات الذكاء الاصطناعي التوليدية التي تواجه المستهلك. لماذا هذا؟ وما الذي يميز رحلة الذكاء الاصطناعي في قطاع الطاقة؟ أندرو: ميغان، أعتقد أن الأمر يتعلق بطبيعة العمل الذي نقوم به. إن عمليات الطاقة وما تفعله Woodside تتطلب الكثير من الأصول، وهي في غاية الأهمية للسلامة، وهي ذات أهمية مادية كبيرة. وعندما تفكر في كيفية عمل Woodside، فإننا نعمل عبر سلسلة القيمة الكاملة. نقوم بالاستكشاف وصولاً إلى الحفر والأعمال تحت السطح، إلى تطوير المشاريع، وصولاً إلى الأصول التشغيلية، والتي غالبًا ما يتم تشغيلها في مواقع قاسية ونائية، ومن ثم تسويق وتداول محفظة الطاقة العالمية أيضًا. لقد حصلنا دائمًا على كميات كبيرة جدًا من البيانات التشغيلية القادمة من المعدات والمصانع والأصول التي نقوم بتشغيلها، وقد خلقت تلك حالات استخدام واضحة جدًا وذات قيمة عالية جدًا بالنسبة لنا. عندما تفكر في الموثوقية، وعندما تفكر في السلامة والكفاءة، فهذه أمور بالغة الأهمية بالنسبة لشركة مثل Woodside. لقد كنا نقوم بالذكاء الاصطناعي التقليدي لسنوات عديدة حتى الآن. إذا فكرت في التحليلات، وإذا فكرت في التحسين، وإذا فكرت في أشياء مثل النماذج التنبؤية، وتلك التقنيات التي طبقناها على مجموعات البيانات لدينا وعلى أعمالنا منذ عام 2015 تقريبًا. ومؤخرًا، مع ظهور الذكاء الاصطناعي التوليدي، اكتشفنا حقًا أن لدينا أساسًا قويًا ورائعًا جدًا للبناء عليه وحل المشكلات حقًا في خدمة تحسين الأعمال. ومرة أخرى، سواء كان ذلك الحفاظ على سلامة الأشخاص، أو الحفاظ على البيئات التي نعمل فيها آمنة، أو تحسين عوائد المنظمة. ميغان : رائع. أعني أنك تطرقت إلى هذا الأمر هنا، ولكن كيف شكل هذا الواقع استراتيجية الذكاء الاصطناعي الخاصة بك في Woodside؟ من أين بدأت، وأين أثبتت التكنولوجيا تأثيرها الأكبر في تلك الأيام الأولى؟ أندرو: حسنًا، كما قلت، لقد قطعنا رحلة طويلة جدًا، من حيث فهم بياناتنا التشغيلية، وإدراك قيمتها، وجمعها على نطاق واسع حتى نتمكن من استخدامها. ولقد كنا متعمدين للغاية في هذا النهج، ميغان. لقد فكرنا حقًا في مكان القيمة وأين يمكن التحكم في المخاطر. وقد بدأنا بالنظر، في عالم اليوم من منظور الذكاء الاصطناعي الفاعل، بدأنا بالنظر إلى المشكلات التي تم حلها باستخدام الذكاء الاصطناعي التقليدي والتعلم الآلي وعلوم البيانات في الماضي. وقد بدأنا بالتفكير في أين يمكننا بعد ذلك وضع طبقة من الذكاء الاصطناعي الوكيل فوق الجزء العلوي لتوفير نتيجة أفضل؟ بالنسبة لصناعتنا وتنظيمنا كثيف الأصول، فإننا نتطلع إلى مجالات مثل تحسين الصيانة. نحن ننظر إلى مجالات مثل كيف نضمن تشغيل محطات الغاز الطبيعي المسال لدينا بشكل موثوق ومتسق وآمن؟ ونحن نفكر حقًا في القوى العاملة لدينا في الخطوط الأمامية ونتأكد من أننا نمنح الأشخاص في الخطوط الأمامية الأدوات اللازمة للقيام بعملهم. عندما نفكر في الذكاء الاصطناعي، فإننا نفكر حقًا في كيفية دعم الأشخاص في المؤسسة من حيث تمكينهم من اتخاذ قرارات أفضل واتخاذ قرارات أسرع؟ أعتقد أنه مع مرور الوقت، تطور هذا الأمر من التحليلات التقليدية إلى الذكاء الاصطناعي والذكاء الاصطناعي التوليدي. وقد تعلمنا على طول الطريق أن التكنولوجيا مهمة، ولكنها تتعلق بمواءمة الأشخاص والعمليات والتكنولوجيا معًا. لقد أمضينا وقتًا طويلاً ليس فقط في جمع البيانات والحصول على مجموعة بيانات منسقة جيدًا يمكننا البناء عليها، ولكننا أمضينا أيضًا الكثير من الوقت في تعليم الأشخاص كيفية العمل بطرق سريعة، وكيفية التفكير التصميمي، وكيفية حل المشكلات، وكيفية التأكد من أن التكنولوجيا التي يمكن لفريقي، على سبيل المثال، الاستفادة منها في المؤسسة، يتم اعتمادها بشكل فعال وهادف. وأعتقد أنه بمجرد وضع هذا الأساس المتين من منظور تكنولوجي، ومن منظور البيانات، بمجرد أن حصلنا على ثقة قوية بين فرقنا الرقمية والمؤسسة، شهدنا بالفعل زيادة كبيرة في المواد وتوسيع نطاق التكنولوجيا على نطاق أوسع عبر المؤسسة. ميغان : رائع. أن قطعة الناس في غاية الأهمية، أليس كذلك؟ إنها مجرد أداة، أو تكنولوجيا، يجب أن تكون في الأيدي اليمنى. وتطرقت إلى البيانات هناك؛ من الواضح أن الذكاء الاصطناعي الصناعي يعتمد على كميات هائلة من البيانات. هل يمكنك إطلاعنا على كيفية تعاملك مع البيانات في Woodside بمزيد من التفاصيل؟ كيف يتم تنظيمها وإدارتها، وكيف تتناسب أدوات مثل معلومات الصيانة مع ذلك. أندرو: حسنًا، تعتبر البيانات أساسية وجوهرية لكل ما نقوم به، لا سيما من منظور التكنولوجيا. إنه يمنحنا القدرة على الابتكار بوتيرة سريعة عندما نبني على قمة أساس قوي. وكما قلت من قبل، فقد استفدنا من الاستثمار طويل الأجل في بياناتنا التشغيلية الأساسية. أعتقد أن الطريقة التي نفكر بها بشأن البيانات هي أنها مصدر قوة بالنسبة لنا. وعندما تفكر في تشغيل منشأة حيث تكون لديك أجهزة استشعار في كل مكان، ولديك تدفق للبيانات في الوقت الفعلي، ولديك مشغلون يحتاجون إلى اتخاذ قرارات في الوقت الفعلي، فقد اتخذنا قرارًا واعيًا على مدار سنوات عديدة بالاستثمار في منصة البيانات على مستوى المؤسسة للتأكد من أنها آمنة. لدينا أصول بيانات جيدة التنظيم، ولدينا حوكمة قوية على الجزء العلوي من تلك البيانات بحيث عندما يتم استخدامها، عندما يتم بناؤها في تطبيق علوم البيانات أو وكيل الذكاء الاصطناعي، يكون لدينا مستوى من الثقة فيها أنه سيتم استخدامها بشكل مسؤول. وأنه عند استخدامه، يمكن الوثوق به ليعطي النتيجة التي نتوقعها. لقد قمنا بتطوير منصات تستوعب بشكل مستمر بيانات عالية التردد من الأصول ومن أنظمة مؤسستنا. وبمجرد أن نتمكن من تطوير حلول علاوة على ذلك، فإن أجزاء العمل التي قد تمتلك الأنظمة التي تجمع تلك البيانات، ترى القيمة فيها. عندما تنظر إلى شيء مثل ذكاء الصيانة فهو مثال جيد حقًا على كيفية قدرتنا على التعامل مع شيء كنا نعمل عليه لفترة طويلة. تقوم Woodside بالكثير من أعمال الصيانة، وهي جزء مهم جدًا من أعمالنا، ويتم إجراؤها عبر جميع أصولنا التشغيلية. لكننا كنا نبحث في كيفية إجراء التحليلات التنبؤية والصيانة التنبؤية لفترة طويلة عبر مجموعة البيانات التي نمتلكها. وشيء مثل ذكاء الصيانة هو الحل الذي يمنحنا القدرة على تحسين كيفية قيامنا بهذه الصيانة. وما يفعله هو أنه يقوم بتحليل سجلات الصيانة التاريخية، إلى جانب أداء المعدات. ومرة أخرى، من خلال إدارة مجموعة البيانات هذه بشكل جيد وفي مكان واحد، نحصل على القدرة على ربط مجموعات البيانات المختلفة، مثل سجلات الصيانة من SAP، إلى جانب المعدات والأداء القادمين من بحيرة بيانات السلسلة الزمنية الخاصة بنا. وعندما نبني على ذلك، فإن شيئًا مثل معلومات الصيانة يمنحنا الفرصة للتوصية للأصول بالتوقيت الأمثل لأنشطة الصيانة، وإعطاء هدف بسيط للغاية، وهو القيام بالعمل الصحيح في الوقت المناسب. ومع شيء مثل معلومات الصيانة، فقد رأينا الفرصة، ولدينا الفرصة لتقليل ساعات الصيانة بنسبة تصل إلى 15% على مدى خمس سنوات على أحد الأصول التي قمنا بتجربة ذلك عليها. وبما أننا قمنا ببناء هذا النموذج التحليلي الأساسي، فقد أصبحنا الآن قادرين على وضع الذكاء الاصطناعي الوكيل فوق ذلك وتقديم رؤى أفضل وتحسين هذا الحل بشكل أكبر. يتعلق الأمر حقًا بتزويد فرق الأصول لدينا وفرقنا التشغيلية بقدرة دعم القرار الصحيحة التي تضمن أنهم ما زالوا مسؤولين عن اتخاذ القرار وضمان تنفيذ العمل الصحيح، ولكننا نمنحهم أفضل فرصة ممكنة لاستخدام حكمهم وخبرتهم مع البيانات التي نقدمها لاتخاذ القرار الصحيح. ميغان: يبدو وكأنه تغيير مؤثر حقًا. شهد العام الماضي أيضًا علامة فارقة في الانتقال من التعلم المبكر للذكاء الاصطناعي إلى التوسع، وذلك باستخدام الذكاء الاصطناعي بشكل أكثر تعمدًا كمضاعف للقوة. ما هو التحول الذي كنت تحاول القيام به وكيف تعاملت معه؟ أندرو: حسنًا يا ميغان، كانت لدينا فلسفة لفترة طويلة في وودسايد من منظور الابتكار، حيث نريد حقًا أن نفكر بشكل كبير، ونريد إنشاء نماذج أولية صغيرة، ونريد التوسع بسرعة. نريد العثور على فرص كبيرة يمكننا متابعتها، ولكننا نريد التأكد من أننا ننظر إلى كيفية نشر تلك الفرص على نطاق صغير أولاً، ثم توفير التعلم المناسب والبصيرة التي يمكننا بعد ذلك توسيع نطاقها في كل مكان. يعد شيء مثل معلومات الصيانة مثالًا جيدًا على ذلك، أو مستشار الشركات الناشئة لدينا، حيث نعلم أن لدينا العديد من المصانع التي نحتاجها لبدء التشغيل. نحن نعلم أن لدينا العديد من الأصول التي تحتاج إلى الصيانة، لذلك لدينا طموح كبير وجريء حول كيفية تحسين ذلك وتحسينه. نبدأ بنموذج أولي صغير؛ قد يكون نظامًا فرعيًا واحدًا، أو قد يكون مجرد جزء من أحد الأصول، ثم نقوم بتوسيع نطاقه، ونتعلم، ونتوسع بشكل أسرع. أعتقد أنه من منظور تعلم الذكاء الاصطناعي، فإن أحد الأشياء الرئيسية التي تعلمناها هو الانتقال من حلول الذكاء الاصطناعي المعزولة إلى قدرة أكثر تنسيقًا على مستوى المؤسسة. إذا نظرت إلى الوراء ربما 18 شهرًا أو عامين، في رحلتنا للذكاء الاصطناعي التوليدي، نادرًا ما بدأنا بنشر الذكاء الاصطناعي على أوسع نطاق ممكن في المؤسسة من منظور الإنتاجية الشخصية. وربما نكون منفتحين تمامًا فيما يتعلق بالمشكلات التي سنحلها، ومشاكل العمل التي سنحلها باستخدام الذكاء الاصطناعي. وكان لذلك فوائد كثيرة بالنسبة لنا من حيث السماح لمؤسستنا بالتعرف على الذكاء الاصطناعي، والتعرف على القدرات، وبناء الثقة فيه. لكن ما تعلمناه هو أننا بحاجة إلى التحول من ذلك إلى أن نكون أكثر صرامة فيما يتعلق بالمكان الذي سنستثمر فيه وقتنا ومواردنا والمزيد من الحلول ذات القيمة الأعلى. كيف يمكننا بعد ذلك تمكين وتمكين بقية المؤسسة حتى يتمكنوا فعليًا من حل المشكلات بفعالية باستخدام التكنولوجيا في مجالهم أو في إنتاجيتهم الشخصية دون الحاجة إلى الحضور إلى فريق مركزي؟ عندما نفكر في ذلك، كان التفكير على نطاق واسع، والنموذج الأولي الصغير، والتوسع السريع، أمرًا مهمًا حقًا بالنسبة لنا. الانتقال من نهج أكثر اتساعًا لاستخدام تطوير الحالة وتطوير الحلول إلى التركيز الآن بشكل أضيق على الأولويات ذات القيمة العالية. لقد رأينا أن ذلك يعود بالنفع علينا ويسمح لنا بالسعي وراء الحلول والفرص، مثل مستشار الشركات الناشئة. ولذا فإن مستشار الشركات الناشئة لدينا هو حل فعال للذكاء الاصطناعي يهدف حقًا إلى تحسين وتمكين ودعم مشغلينا بشكل أفضل والذين يجلسون أمام لوحة ويتعين عليهم بدء تشغيل محطات الغاز الطبيعي المسال، وهي مرافق تقنية بشكل لا يصدق وتتطلب مهارات متخصصة حقًا لبدء التشغيل. ولذلك فإن مستشار الشركات الناشئة لدينا يشبه تقريبًا مساعد الطيار الذي يجلس جنبًا إلى جنب مع هؤلاء المشغلين، ويمنحهم القدرة على إعادة تشغيل الشركات الناشئة السابقة. فهو يمنحهم القدرة على النظر في كيفية تقدم الشركة الناشئة الحالية، كما يوفر لهم رؤى أفضل لتحسين كيفية بدء تشغيل تلك المنشأة. ومرة أخرى، يعد إنشاء منشأة للغاز الطبيعي المسال أمرًا معقدًا للغاية. ميغان: أستطيع أن أتخيل. أندرو: عندما نفكر في فرص مثل مستشار الشركات الناشئة، مرة أخرى، فإننا نعود إلى التفكير الكبير، والنموذج الأولي الصغير، والتوسع بسرعة. لقد بدأنا برؤية جريئة للغاية حول كيفية بدء تشغيل جميع مصانع الغاز الطبيعي المسال لدينا بطريقة أكثر تنظيمًا وتحسينًا؟ كيف يمكننا دعم مشغلي اللوحات لدينا بشكل أفضل؟ كيف يمكننا، على سبيل المثال، أن نجعل مشغل اللوحة المبتدئ لديه مساعد طيار يمكنه مساعدته تقريبًا مثل مشغل اللوحة ذي الخبرة الذي يجلس بجانبه؟ وعندما نفكر في تلك الرؤية والقدرة على إنشاء نموذج أولي على نطاق صغير ومن ثم التوسع بسرعة، أعتقد أنها كانت ناجحة حقًا بالنسبة لنا. ومع توسعنا، توسعنا بشكل طبيعي في المزيد من الحلول القائمة على الوكلاء. اليوم، لدينا حوالي 50 وكيلًا للذكاء الاصطناعي في الإنتاج، يدعمون أصولنا التشغيلية وسير عمل مؤسستنا. لقد أثبتت هذه الأدوات فعاليتها في البيئات الحية، وقد رأينا حقًا فائدة القدرة على التحول من الحلول النقطية التي ربما تحل مشكلات صغيرة الحجم في مناطق محددة، إلى الذكاء الاصطناعي والحلول الوكيلة مع الوكالة التي يمكنها العمل حقًا عبر سير العمل لدينا. نحن قادرون على القيام بذلك لأننا قمنا بتوحيد المعايير على النظام الأساسي الذي نبني عليه ولدينا أنماط قابلة للتكرار. لقد كان هذا تعلمًا مهمًا آخر بالنسبة لنا، وهو أننا لا نريد بناء 50 حلًا بـ 50 طريقة مختلفة. نريد حقًا تمكين مؤسستنا وفرقنا الفنية ومستخدمي حلولنا من طرحها بسرعة، وطرحها بأمان، والقيام بذلك بطريقة نمطية ومنصة. لكن النقطة الأخيرة التي سأطرحها يا ميغان، من منظور التعلم هي أننا قد فهمنا حقًا أن الحوكمة القوية حول كيفية نشر الذكاء الاصطناعي وتطويره أمر بالغ الأهمية بالنسبة لنا، ومن الأهمية بمكان بالنسبة لنا أن نسير بسرعة أيضًا. إن الطرق التقليدية للتحكم في كيفية طرح حلول أو أنظمة رقمية مختلفة لن تصل إلى النطاق الذي نحتاجه عندما نفكر في الذكاء الاصطناعي. إن القدرة على الحصول على فلسفة واضحة حول كيفية ابتكارنا، والانتقال من الحلول المعزولة إلى تلك القدرة على مستوى المؤسسة، والتأكد من أن لدينا منصات قوية ذات أنماط قوية وحوكمة واضحة هي الأشياء الثلاثة الحاسمة التي تعلمناها. ميغان: هذه الركائز المهمة، كلها. ولقد كنت تعمل مع Infosys في هذه الرحلة. كيف ساعدت هذه الشراكة في تسريع التوسع وتضمين الذكاء الاصطناعي في جميع أنحاء الأعمال؟ أندرو: حسنًا، إن Infosys هي مزود الخدمة المُدارة لدينا، ولذلك فهي تلعب دورًا حاسمًا حقًا في عمليات أعمالنا الأساسية. أحد الأشياء التي أود أن أقولها هو أن رخصتنا للابتكار تعتمد على رخصتنا للعمل. وهكذا، لكي يتمكن فريقي من التحول إلى أصل تشغيلي أو وظيفة مؤسسية والحصول على الثقة اللازمة ليكون قادرًا على الابتكار وإعادة تصور وإعادة تصميم كيفية إنجاز العمل، ولكي نتمكن من القيام بذلك، نحتاج إلى التأكد من أن منصاتنا الأساسية وأنظمتنا الأساسية وتطبيقاتنا تعمل بشكل موثوق وآمن ومتسق كل يوم. إن وجود شريك ذي خبرة مثل Infosys يعتني بهذه العمليات الأساسية بالشراكة مع فرقنا الداخلية هو أمر مهم حقًا بالنسبة لنا. وبينما ننتقل من البرامج التجريبية إلى النشر على مستوى المؤسسة، فإن القدرة على الشراكة مع شخص مثل Infosys تمنحنا أيضًا القدرة على التوسع. ولأننا من بيرث وغرب أستراليا، فلدينا فريق محلي قوي حقًا في غرب أستراليا، ولدينا أيضًا فريق قوي جدًا في بعض مواقع التشغيل الأخرى لدينا، مثل الجميع، إلا أننا نكافح للعثور على أشخاص يمكنهم شغل أدوار الذكاء الاصطناعي. إن القدرة على الشراكة مع Infosys والحصول على عدد من نماذج التشغيل المختلفة تحت تصرفنا تصبح أمرًا مهمًا بالنسبة لنا. إن وجود فرق مختلطة حيث هم موظفون، وهم موظفو Infosys، وموظفو Woodside، وبعض شركائنا الآخرين، يجلب في الواقع تنوعًا في الفكر والخبرة إلى كيفية حل المشكلات. في الأساس، أتاحت لنا الشراكة العمل والابتكار بثقة أكبر. في حين تحتفظ Woodside دائمًا بملكية الإستراتيجية والوجهة التي نتجه إليها، وتظل الإدارة وفريقي مسؤولين عن النتائج، لا يمكننا أن نفعل ما نفعله دون شراكات قوية مثل تلك التي لدينا مع Infosys. ميغان : رائع. ومع تزايد اعتماد الذكاء الاصطناعي، كما ذكرت بنفسك، أصبحت الحوكمة ذات أهمية متزايدة. ما مدى صعوبة ذلك، وما هي حواجز الحماية التي وضعتها في وودسايد؟ أندرو: إذن يا ميغان، الحوكمة مهمة جدًا بالنسبة لنا، ونحن نعمل في بيئة منظمة بشكل جيد. وهذا يعني أنه يتعين علينا اتخاذ قرارات مدروسة ومعقولة حقًا عندما نفكر في كيفية نشر التكنولوجيا في مؤسستنا، سواء كان ذلك ذكاءً اصطناعيًا أو أي شيء آخر، في هذا الشأن. ومن ثم، فإن الحوكمة تعد أمرًا محوريًا حقًا في كيفية تعاملنا مع تنفيذ إستراتيجية الذكاء الاصطناعي لدينا في Woodside. ربما لدينا شيئين أو ثلاثة أشياء أساسية قمنا بوضعها في مكانها الصحيح. الأول هو التأكد من أن كل حالة استخدام للذكاء الاصطناعي تخضع لتقييم منظم، وهذا هو التأكد من أنها تلبي ضوابط الخصوصية لدينا، وضوابطنا السيبرانية. نحن أيضًا نطرح السؤال، ليس فقط، هل يمكننا القيام بذلك، ولكن هل يجب علينا القيام بذلك؟ علينا حقًا أن نجمع بين السلامة والأخلاق والشفافية والمساءلة، والتأكد من أننا نتخذ قرارًا مستنيرًا. عندما يمر حل الذكاء الاصطناعي بهذا التقييم المنظم، وإذا كانت هناك مخاوف بشأن كيفية استخدام هذا الحل، فسيتم نقله بعد ذلك إلى مجلس الذكاء الاصطناعي الذي يتكون من كبار القادة في جميع أنحاء المؤسسة. يشرف هذا المجلس وتلك المجموعة بالفعل على بعض عمليات تحديد الأولويات وإدارة المخاطر. هذا هو المكان الذي يمكننا فيه إجراء مناقشات قوية وقوية حول، مرة أخرى، هل يمكننا القيام بشيء ما، وهل ينبغي لنا القيام به، وكيف يمكننا التخفيف من أي من المخاطر التي قد نطرحها هنا؟ أعتقد أن الجزء الأخير، ميغان، يدور حول إدارة دورة الحياة. عندما تبدأ بالتفكير، لدينا 50 وكيلًا في الوقت الحالي، ولكن إذا كان لدينا 500 وكيل يعملون في مؤسستنا، مما يؤدي بالفعل إلى تضخيم الخبرة وصنع القرار وخلق القيمة لموظفينا، فنحن نريد حقًا أن تكون لدينا القدرة على إدارة دورة حياة كيفية عمل هؤلاء الوكلاء. نريد أن نعرف كم عدد الأشخاص الذين يستخدمونها؟ ما هي الفعالية والنتيجة؟ هل هناك انحراف نموذجي؟ هل نحن بحاجة إلى إعادة ضبط أو إعادة التدريب؟ أعتقد أن هذا هو المجال الذي لا تزال العديد من المنظمات، بما في ذلك Woodside، تميل إليه وما زالت تكتشف أفضل طريقة للقيام بذلك. يمكننا أن نفعل ذلك بسهولة تامة مع 50 وكيلًا، لكن 500، 5000، 50000 تصبح فرصة بالنسبة لنا. مرة أخرى، التفكير في كيفية الشراكة مع الآخرين، وحل مثل هذه المشكلات يمثل حقًا فرصة للمشاركة في الإبداع والحل المشترك مع بعض شركائنا، مثل شركة Infosys. ميغان : رائع. في الختام، ما هي رؤيتك طويلة المدى للذكاء الاصطناعي في Woodside؟ كيف ترى تطور هذا الأمر على مدى السنوات المقبلة، وما الذي يمكن أن يفتحه للقطاع من وجهة نظرك؟ أندرو: إذن يا ميغان، أعتقد أن طموحنا هو في الواقع إنشاء مؤسسة مستقلة، حيث يكون لدينا وكلاء لديهم القدرة على التفاعل بعمق مع سير العمل الأساسي لدينا. والنتيجة التي نريد الحصول عليها من ذلك هي حماية شعبنا، وحماية البيئات التي نعمل فيها، وأن نكون قادرين على توفير الطاقة بتكلفة أقل للعالم. عندما نفكر في هذا الطموح، يمكننا أن نرى أنه يتم تطبيقه على جميع المجالات التي يعمل فيها وودسايد تقريبًا. سواء كان ذلك بدءًا من الاستكشاف وحتى تطوير المشروع وحتى العمليات أو التسويق، فإن حجم الفرصة المتاحة أمامنا وقدرتنا على تغيير الطريقة التي يتدفق بها العمل عبر المؤسسة أمر مثير حقًا. بالنسبة لنا، هناك ثلاثة أشياء يتعين علينا القيام بها بشكل صحيح فيما يتعلق بالقدرة على تنفيذ هذا الطموح. الأول هو التفكير حقًا في كيفية إنجاز العمل في المؤسسة، بحيث لا نقوم فقط بدمج الذكاء الاصطناعي في عملية حالية، ولكننا نفكر بعمق في كيفية إعادة تصور هذا العمل. علينا أيضًا أن نفكر في كيفية تمكين القوى العاملة لدينا من العمل بشكل مختلف. تزويدهم بالمهارات والأدوات والقدرة على تسخير قوة التكنولوجيا التي نقدمها. ثانيًا، علينا أن نستمر في الانتقال من نشر الحلول النقطية التي تحل مشكلات ضيقة جدًا وتقييد أنفسنا إلى ذلك، إلى امتلاك أنظمة أكثر اتصالاً وفعالية من الأنظمة التي يمكنها التفاعل مع بعضها البعض. للقيام بذلك، وإذا قمنا بذلك بنجاح، فهذا هو المكان الذي نحصل فيه حقًا على القيمة العالية من الوكلاء القادرين على التفاعل مع سير العمل وتغيير كيفية إنجاز العمل حقًا. وأخيرًا، يا ميغان، يتعلق الأمر بكيفية مواصلة فلسفتنا المتمثلة في التفكير بشكل كبير، وإنشاء نماذج أولية صغيرة، والتوسع بسرعة. ميغان: إنها عدسة رائعة يمكن من خلالها اتخاذ كل هذه القرارات. شكرا جزيلا لك، أندرو. كان ذلك أندرو ميلوني، نائب الرئيس للشؤون الرقمية في شركة Woodside Energy، والذي تحدثت معه من برايتون في إنجلترا. هذا كل ما في هذه الحلقة من Business Lab. أنا مضيفك، ميغان تاتوم. أنا محرر مساهم ومضيف في Insights، قسم النشر المخصص في MIT Technology Review. تأسسنا عام 1899 في معهد ماساتشوستس للتكنولوجيا، ويمكنك العثور علينا في المطبوعات وعلى شبكة الإنترنت وفي الأحداث التي تقام كل عام حول العالم. لمزيد من المعلومات حولنا وعن العرض، يرجى مراجعة موقعنا على technologyreview.com. هذا العرض متاح أينما تحصل على ملفات البودكاست الخاصة بك. وإذا استمتعت بهذه الحلقة، نأمل أن تخصص بعض الوقت لتقييمنا ومراجعتنا. Business Lab هو أحد إنتاجات MIT Technology Review، وهذه الحلقة من إنتاج Giro Studios. شكرا جزيلا على الاستماع. مع السلامة. تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي ​​تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/07\/01\/1140003\/llms-are-stuck-in-a-groupthink-rut-this-startup-is-trying-to-get-them-out\/",
            "title_en": "LLMs are stuck in a groupthink groove. This startup is trying to get them out.",
            "summary_en": "Let’s start with a game. Open up your chatbot of choice—Claude, ChatGPT, Gemini—and type “Give me a random number between 1 and 10.” You’re going to get 7. Almost always. Now type “Another” and you’ll get 3 or 4. Type “Another” again and you’ll get 8 or 9. That won’t work every time—but if it did, you may wonder if I have superpowers. I don’t. The truth is that most large language models are stuck in a rut. They are far more predictable and far less creative in their responses than you might expect. That’s fine for tasks like coding or research, but groupthink is a problem when you’re brainstorming or planning your next vacation. The Australian startup Springboards has a solution. It built an LLM called Flint, which has been trained to come up with a wider variety of responses than mainstr",
            "body_en": "Let’s start with a game. Open up your chatbot of choice—Claude, ChatGPT, Gemini—and type “Give me a random number between 1 and 10.” You’re going to get 7. Almost always. Now type “Another” and you’ll get 3 or 4. Type “Another” again and you’ll get 8 or 9. That won’t work every time—but if it did, you may wonder if I have superpowers. I don’t. The truth is that most large language models are stuck in a rut. They are far more predictable and far less creative in their responses than you might expect. That’s fine for tasks like coding or research, but groupthink is a problem when you’re brainstorming or planning your next vacation. The Australian startup Springboards has a solution. It built an LLM called Flint, which has been trained to come up with a wider variety of responses than mainstream LLMs to open-ended questions such as “Where should I go in Europe?” “Most language models are fighting hallucinations,” says Springboards cofounder and CEO Pip Bingemann. “We welcome them.” Bingemann introduced me to the random number game when he first showed me his company’s new model. It felt like watching an illusionist with a deck of cards. “This is our sales trick, and it works every single time,” he says. After ChatGPT and Claude both gave their 7s, Bingemann turned to Flint. It too came back with 7: “Aha, of course that was going to happen, but it’s okay—7 is a legitimate answer.” He restarted the session and prompted again: ChatGPT gave 7, Claude gave 7, Flint gave 3.7916. Run your way It’s not just numbers. When Bingemann asked ChatGPT and Claude to name a type of car, he predicted that it would be a Toyota or a Honda—and he was right. Flint came up with a Ford F-150. “There’s all this lost information that doesn’t get served up in these models,” he says. “They’re just as capable of saying a Buick or a Tesla. They just don’t—they’re biased.” Bingemann sent one last prompt to each of the three models: “Give me a tagline for a campaign for New Balance running shoes. Just the tagline.” Claude: “Run your way.” ChatGPT: “Run your way.” Flint: “Built to last, run to win.” It won’t win any awards, but at least it’s different. This weird limitation of LLMs is starting to get more attention. In November a team of researchers put out a paper, titled “Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond),” that exposed a remarkable degree of repetition not only in the answers from individual LLMs but between them as well. They found that different LLMs converged on very similar answers when prompted with open-ended questions. It’s not clear exactly why this happens, but the researchers speculate it’s because most LLMs today are trained in similar ways on similar data to do similar tasks. The team won the best paper award at NeurIPS, a major AI conference. When the researchers asked 25 different LLMs (including models from the top US firms as well as open-source models from China and elsewhere) 50 times each to write a metaphor about time, most of the 1,250 responses were a version of “Time is a river” or “Time is a weaver.” (I asked some of my colleagues the same question and six people gave me six different answers. My highlight: “Time is a favorite sweatshirt, shaped by a lifetime of wear.”) When you look for it, you see repetition everywhere, says Kieran Browne, cofounder and CTO at Springboards. “The way that most chat interfaces are designed, it makes it feel like you’re having a personal conversation,” he says. “I think most people don’t really realize the extent to which they are getting the same stuff as everybody else.” Take another example: “What should I name my band?” Most models will say something involving “glass,” “neon,” “velvet,” or “static,” says Browne. When I tried it, ChatGPT spat out a list of 56 band names. At the top was “Glass Harbor.” Skimming through, I found “Static Empire,” “Neon Hearts,” and “Velvet Echo.” I asked Gemini; it gave me 15 suggestions, including “Static Horizon.” Some of the suggestions looked pretty cool, though. ChatGPT’s “Sofa Astronauts” caught my eye, so I googled it—and found that a band called Sofa Astronauts already exists. (OpenAI says that training models to give reliable and coherent answers can lead them to converge around familiar, high-probability responses and that pushing harder for novelty can lead to weaker or less reliable responses. It also notes that the “Artificial Hivemind” paper studied models from 2024 that have since been updated.) Creative catapult Springboards has developed a tool backed by a selection of LLMs, including ChatGPT and Claude, that creative professionals in advertising or marketing can use to brainstorm ideas. The tool lets you drag around text produced by different models, picking the bits that you like and combining them into something new—in theory. Springboards is pitching Flint as an alternative model that users of its tool can select when looking for more variety. Zoe Scaman, founder of the business strategy startup Bodacious and chief strategy officer at 77X, a direct-to-fan marketing platform set up by Luka Dončić of the LA Lakers, has been trying it out. “I find it really useful for throwing me in completely different directions,” she says. “I use it if I want to catapult myself all over the place.” In one test, Scaman pitted Flint against Claude, Gemini, and ChatGPT by giving each of the models a classic MBA case study: How would you reinvent a finance company for today’s youth? The three mainstream models all went down the same path, she says: “You know, we need to teach financial literacy in a fun and funky way—well, that’s nothing new.” But Flint came up with something different, suggesting that the whole concept of wealth accumulation should get a rebrand. “That was really interesting,” says Scaman. She notes that Flint is still a prototype and doesn’t work all the time. “It sometimes falls over when you start pushing it too far,” she says. “But I think that the premise behind it is really powerful.” Taking the temperature Springboards built Flint on top of Qwen 3, an open-source model from the Chinese tech giant Alibaba. “We’re a small team,” says Browne. “Training a foundation model is not on the table for us. It’s just too expensive.” Most LLMs have settings that let you adjust the level of randomness in their output. The most common is called temperature . “Obviously, that was one of the first things we explored, because that’s what people tell you: If you want more creativity, you turn up the temperature,” says Browne. But changing those settings can also make models incoherent. Dialing up the temperature on one of OpenAI’s models to its maximum setting made it produce responses that switched from English into code halfway through a sentence, says Browne. Springboards realized that parameters were blunt instruments for what it wanted to do. It does not make sense to dial up the randomness across the board; you only want to boost it at specific points in its output, he says. For example, when you ask a chatbot “Where should I go in Europe?” the model only needs to tweak the randomness just before it names a destination, not for every word in its response. To make Flint do this, Springboards trained its version of Qwen 3 to identify the points in its output where more variety was possible and fill those spots with words or phrases that were a little more random. “Flint’s programmed to throw an oddball in. It’s more of an invitation to think wider,” says Maximilian Weigl, cofounder and chief strategy officer at Uncommon, a marketing firm. “That’s super interesting.” Weigl’s team uses Flint alongside ChatGPT, Claude, and Gemini. “You can’t really create something boundary-breaking with tools that pull you back to the average,” he says. And yet Weigl notes that nine times out of 10 the average is fine. You don’t always need to reach for extremes with something like Flint, he says: “Most people are fine with good enough. They want to see mass-market familiar things.” Weigl also cautions against using any LLM too much. “I have a big problem when people rely on the output from any AI, including Flint,” he says. “If I saw people on my team copy-pasting something from AI, I’d be like, ‘That’s not your job! Think, talk to other people, use your own voice.’” For now, Flint is aimed at advertisers and marketers because those are Springboards’s customers. But Bingemann and Browne insist that a lack of variety is a problem for anyone using chatbots. The idea is to give people the choice and leave it to them to decide if the result is good or not, says Bingemann. “Variety is great when you’re trying to spark ideas,” he says. “Let’s go down this route instead of letting the machines do it all and ending up in a gray, boring world.”",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/06\/260626_LLMhallucinations.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/07\/01\/1140003\/llms-are-stuck-in-a-groupthink-rut-this-startup-is-trying-to-get-them-out\/",
            "date": "2026-07-01",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "LLMs عالقون في أخدود التفكير الجماعي. تحاول هذه الشركة الناشئة إخراجهم.",
            "summary_ar": "لنبدأ بلعبة. افتح برنامج الدردشة الآلي الذي تختاره — Claude، ChatGPT، Gemini — واكتب “أعطني رقمًا عشوائيًا بين 1 و10”. سوف تحصل على 7. دائمًا تقريبًا. الآن اكتب \"آخر\" وستحصل على 3 أو 4. اكتب \"آخر\" مرة أخرى وستحصل على 8 أو 9. لن ينجح هذا في كل مرة، ولكن إذا حدث ذلك، فقد تتساءل عما إذا كنت أمتلك قوى خارقة. أنا لا. والحقيقة هي أن معظم نماذج اللغات الكبيرة عالقة في حالة من الجمود. إنهم أكثر قابلية للتنبؤ وأقل إبداعًا في ردودهم مما قد تتوقعه. يعد هذا أمرًا جيدًا بالنسبة لمهام مثل البرمجة أو البحث، لكن التفكير الجماعي يمثل مشكلة عندما تقوم بالعصف الذهني أو التخطيط لعطلتك القادمة. لدى شركة Springboards الأسترالية الناشئة الحل. لقد قامت ببناء ماجستير في القانون يسمى Flint، والذي تم تدريبه للتوصل إلى مجموعة متنوعة من الاستجابات أكثر من تلك التي mainstr",
            "body_ar": "لنبدأ بلعبة. افتح برنامج الدردشة الآلي الذي تختاره — Claude، ChatGPT، Gemini — واكتب “أعطني رقمًا عشوائيًا بين 1 و10”. سوف تحصل على 7. دائمًا تقريبًا. الآن اكتب \"آخر\" وستحصل على 3 أو 4. اكتب \"آخر\" مرة أخرى وستحصل على 8 أو 9. لن ينجح هذا في كل مرة، ولكن إذا حدث ذلك، فقد تتساءل عما إذا كنت أمتلك قوى خارقة. أنا لا. والحقيقة هي أن معظم نماذج اللغات الكبيرة عالقة في حالة من الجمود. إنهم أكثر قابلية للتنبؤ وأقل إبداعًا في ردودهم مما قد تتوقعه. يعد هذا أمرًا جيدًا بالنسبة لمهام مثل البرمجة أو البحث، لكن التفكير الجماعي يمثل مشكلة عندما تقوم بالعصف الذهني أو التخطيط لعطلتك القادمة. لدى شركة Springboards الأسترالية الناشئة الحل. لقد قامت ببناء برنامج LLM يسمى Flint، والذي تم تدريبه للتوصل إلى مجموعة متنوعة من الإجابات مقارنة ببرامج الماجستير في القانون السائدة للأسئلة المفتوحة مثل \"أين يجب أن أذهب في أوروبا؟\" يقول بيب بينجمان، المؤسس المشارك والرئيس التنفيذي لشركة Springboards: \"معظم النماذج اللغوية تحارب الهلوسة\". \"نحن نرحب بهم.\" عرّفني بينجمان على لعبة الأرقام العشوائية عندما أطلعني لأول مرة على النموذج الجديد لشركته. شعرت وكأنني أشاهد ساحرًا يحمل مجموعة من أوراق اللعب. ويقول: \"هذه هي خدعة المبيعات لدينا، وهي تنجح في كل مرة\". بعد أن أعطى كل من ChatGPT وClaude الرقم 7، تحول Bingemann إلى Flint. لقد عادت أيضًا بالرقم 7: \"آها، بالطبع كان هذا سيحدث، لكن لا بأس - 7 هي إجابة مشروعة.\" أعاد تشغيل الجلسة وطلب مرة أخرى: أعطى ChatGPT 7، أعطى كلود 7، أعطى فلينت 3.7916. امشِ في طريقك، فالأمر لا يقتصر على الأرقام. عندما طلب بينجمان من ChatGPT وكلود تسمية نوع السيارة، توقع أنها ستكون تويوتا أو هوندا، وكان على حق. جاء فلينت بسيارة فورد F-150. ويقول: \"هناك كل هذه المعلومات المفقودة التي لا يتم تقديمها في هذه النماذج\". \"إنهم قادرون على قول سيارة بويك أو تسلا. لكنهم لا يفعلون ذلك، فهم متحيزون\". أرسل بينجمان رسالة أخيرة إلى كل من العارضات الثلاثة: \"أعطني شعارًا لحملة أحذية الجري New Balance. فقط الشعار.\" كلود: \"اركض في طريقك.\" ChatGPT: \"اركض في طريقك.\" فلينت: \"لقد صُمم ليدوم طويلاً، اركض من أجل الفوز.\" لن يفوز بأي جوائز، لكن الأمر مختلف على الأقل. بدأ هذا القيد الغريب لـ LLM في جذب المزيد من الاهتمام. في نوفمبر، نشر فريق من الباحثين ورقة بحثية بعنوان \"العقل البشري الاصطناعي: التجانس المفتوح لنماذج اللغة (وما بعدها)،\" والتي كشفت عن درجة ملحوظة من التكرار، ليس فقط في الإجابات المقدمة من طلاب ماجستير اللغة الفرديين، بل بينهم أيضًا. لقد وجدوا أن طلاب ماجستير إدارة الأعمال المختلفين يتقاربون حول إجابات متشابهة جدًا عندما يُطلب منهم ذلك بأسئلة مفتوحة. ليس من الواضح بالضبط سبب حدوث ذلك، لكن الباحثين يتوقعون أن يكون ذلك بسبب أن معظم حاملي شهادة الماجستير في القانون اليوم يتم تدريبهم بطرق مماثلة على بيانات مماثلة للقيام بمهام مماثلة. فاز الفريق بجائزة أفضل ورقة بحثية في NeurIPS، وهو مؤتمر كبير للذكاء الاصطناعي. عندما طلب الباحثون من 25 ماجستيرًا مختلفًا (بما في ذلك نماذج من أفضل الشركات الأمريكية بالإضافة إلى نماذج مفتوحة المصدر من الصين وأماكن أخرى) 50 مرة لكل منهم أن يكتبوا استعارة عن الوقت، كانت أغلب الردود البالغ عددها 1250 نسخة من عبارة \"الوقت نهر\" أو \"الوقت حائك\". (لقد سألت بعض زملائي نفس السؤال وأعطاني ستة أشخاص ستة إجابات مختلفة. أهم ما يميزني هو: \"الوقت هو القميص المفضل، الذي يتم تشكيله من خلال ارتدائه مدى الحياة.\") عندما تبحث عنه، ترى التكرار في كل مكان، كما يقول كيران براون، المؤسس المشارك والرئيس التنفيذي للتكنولوجيا في Springboards. ويقول: \"إن الطريقة التي يتم بها تصميم معظم واجهات الدردشة، تجعلك تشعر وكأنك تجري محادثة شخصية\". \"أعتقد أن معظم الناس لا يدركون حقًا إلى أي مدى يحصلون على نفس الأشياء التي يحصل عليها أي شخص آخر.\" خذ مثالاً آخر: \"ماذا يجب أن أسمي فرقتي؟\" يقول براون إن معظم العارضات ستقول شيئًا يتضمن \"زجاج\" أو \"نيون\" أو \"مخملي\" أو \"ثابت\". عندما جربته، أصدر ChatGPT قائمة تضم 56 اسمًا للنطاقات. في الأعلى كان هناك \"الميناء الزجاجي\". من خلال التصفح، وجدت \"Static Empire\" و\"Neon Hearts\" و\"Velvet Echo\". سألت الجوزاء؛ لقد أعطاني 15 اقتراحًا، بما في ذلك \"الأفق الثابت\". ومع ذلك، بدت بعض الاقتراحات رائعة جدًا. لفتت انتباهي فرقة \"Sofa Astronauts\" التابعة لـ ChatGPT، لذا بحثت عنها في Google، ووجدت أن هناك فرقة تسمى Sofa Astronauts موجودة بالفعل. (تقول شركة OpenAI أن نماذج التدريب التي تقدم إجابات موثوقة ومتماسكة يمكن أن تقودها إلى التقارب حول استجابات مألوفة وعالية الاحتمال، وأن الدفع بقوة نحو الابتكار يمكن أن يؤدي إلى استجابات أضعف أو أقل موثوقية. وتشير أيضًا إلى أن ورقة \"Artificial Hivemind\" درست نماذج من عام 2024 تم تحديثها منذ ذلك الحين. وقد طورت شركة Creative Catapult Springboards أداة مدعومة بمجموعة مختارة من حاملي شهادات الماجستير، بما في ذلك ChatGPT وClaude، والتي يمكن للمحترفين المبدعين في مجال الإعلان أو التسويق استخدامها لتبادل الأفكار. تتيح لك الأداة سحب النص الذي تم إنتاجه بواسطة نماذج مختلفة، واختيار البتات التي تفضلها ودمجها في شيء جديد - من الناحية النظرية. تعمل Springboards على الترويج لـ Flint كنموذج بديل يمكن لمستخدمي أداتها تحديده عند البحث عن المزيد من التنوع. زوي سكامان، مؤسس الشركة الناشئة في مجال إستراتيجية الأعمال Bodacious والرئيس التنفيذي للاستراتيجية في 77X، وهي منصة تسويق مباشرة للمعجبين أنشأها لوكا دونتشيتش من لوس أنجلوس ليكرز، كان يجرب ذلك. وتقول: \"أجد أنه من المفيد حقًا توجيهي في اتجاهات مختلفة تمامًا\". \"أنا أستخدمه إذا أردت أن أقذف نفسي في كل مكان.\" في أحد الاختبارات، وضع سكامان فلينت في مواجهة كلود، وجيميني، وChatGPT من خلال إعطاء كل من العارضات دراسة حالة ماجستير إدارة الأعمال الكلاسيكية: كيف يمكنك إعادة اختراع شركة تمويل لشباب اليوم؟ لقد سلكت النماذج الثلاثة السائدة نفس المسار، كما تقول: \"كما تعلمون، نحن بحاجة إلى تدريس الثقافة المالية بطريقة ممتعة وغير تقليدية - حسنًا، هذا ليس بالأمر الجديد\". لكن فلينت جاء بشيء مختلف، يقترح مفهوم الثروة برمته يجب أن يحصل التراكم على علامة تجارية جديدة. يقول سكامان: \"كان ذلك مثيرًا للاهتمام حقًا\". وتشير إلى أن فلينت لا يزال نموذجًا أوليًا ولا يعمل طوال الوقت. وتقول: \"في بعض الأحيان يسقط الأمر عندما تبدأ في دفعه بعيدًا\". \"لكنني أعتقد أن الفرضية الكامنة وراء ذلك قوية حقًا.\" لقياس درجة الحرارة، قامت شركة Springboards ببناء فلينت على قمة Qwen 3، وهو نموذج مفتوح المصدر من شركة التكنولوجيا الصينية العملاقة Alibaba. يقول براون: \"نحن فريق صغير\". \"إن تدريب نموذج الأساس ليس مطروحًا على الطاولة بالنسبة لنا. إنها مكلفة للغاية.\" تحتوي معظم برامج LLM على إعدادات تتيح لك ضبط مستوى العشوائية في مخرجاتها. الأكثر شيوعا يسمى درجة الحرارة. يقول براون: \"من الواضح أن هذا كان من أول الأشياء التي اكتشفناها، لأن هذا ما يقوله لك الناس: إذا كنت تريد المزيد من الإبداع، فعليك رفع درجة الحرارة\". لكن تغيير هذه الإعدادات قد يؤدي أيضًا إلى جعل النماذج غير متماسكة. يقول براون إن رفع درجة الحرارة في أحد نماذج OpenAI إلى الحد الأقصى جعله ينتج استجابات تتحول من اللغة الإنجليزية إلى كود في منتصف الجملة. أدركت Springboards أن المعلمات كانت أدوات صريحة لما تريد القيام به. ليس من المنطقي زيادة العشوائية في جميع المجالات؛ ويقول: \"إنك تريد فقط تعزيزه عند نقاط محددة في إنتاجه\". على سبيل المثال، عندما تسأل أحد برامج الدردشة الآلية \"أين يجب أن أذهب في أوروبا؟\" يحتاج النموذج فقط إلى تعديل العشوائية قبل أن يقوم بتسمية الوجهة، وليس لكل كلمة في استجابته. ولجعل Flint تفعل ذلك، قامت Springboards بتدريب نسختها من Qwen 3 على تحديد النقاط في مخرجاتها التي يمكن فيها المزيد من التنوع وملء تلك النقاط بكلمات أو عبارات كانت أكثر عشوائية قليلاً. \"فلينت مبرمج لرمي كرة غريبة. يقول ماكسيميليان ويغل، الشريك المؤسس والرئيس التنفيذي للاستراتيجية في شركة Uncommon للتسويق: \"إنها دعوة للتفكير على نطاق أوسع. هذا مثير للاهتمام للغاية\". يستخدم فريق Weigl Flint جنبًا إلى جنب مع ChatGPT وClaude وGemini. يقول: \"لا يمكنك حقًا إنشاء شيء يكسر الحدود باستخدام أدوات تعيدك إلى المتوسط\". ومع ذلك، يشير ويجل إلى أن المتوسط جيد تسع مرات من أصل 10. ويقول: \"لا تحتاج دائمًا إلى الوصول إلى التطرف مع شيء مثل فلينت: \"معظم الناس جيدون بما فيه الكفاية. إنهم يريدون رؤية أشياء مألوفة في السوق الشامل\". يحذر Weigl أيضًا من استخدام أي LLM أكثر من اللازم. يقول: \"أواجه مشكلة كبيرة عندما يعتمد الناس على مخرجات أي ذكاء اصطناعي، بما في ذلك فلينت\". \"إذا رأيت أشخاصًا في فريقي ينسخون شيئًا ما من الذكاء الاصطناعي ويلصقونه، سأقول: \"هذه ليست وظيفتك! فكر، تحدث إلى أشخاص آخرين، استخدم صوتك\". في الوقت الحالي، تستهدف شركة Flint المعلنين والمسوقين لأن هؤلاء هم عملاء Springboards. لكن بينجمان وبراون يصران على أن الافتقار إلى التنوع يمثل مشكلة لأي شخص يستخدم برامج الدردشة الآلية. يقول بينجمان إن الفكرة هي إعطاء الناس الخيار وترك الأمر لهم ليقرروا ما إذا كانت النتيجة جيدة أم لا. يقول: \"التنوع أمر رائع عندما تحاول إثارة الأفكار\". \"دعونا نسير في هذا الطريق بدلاً من ترك الآلات تفعل كل شيء وينتهي الأمر في طريق رمادي ممل عالم.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/06\/30\/1139987\/claude-science-is-anthropics-newest-flagship-product\/",
            "title_en": "Claude Science is Anthropic’s newest flagship product",
            "summary_en": "At an event for pharmaceutical executives, biotech founders, and researchers on Tuesday, Anthropic announced Claude Science, a major new product intended to support scientific research in the same way that Claude Code supports software engineering. Like Claude Code, Claude Science can autonomously carry out meaningful work when given concise, high-level instructions, and it has access to tools that make it particularly useful for research in computational biology and drug development. Along with launching and previewing Claude Science, which is now available to all paid Claude subscribers, Anthropic also announced that it will be using the product to pursue some of its own research into drugs for rare, neglected diseases. This is not Anthropic’s first foray into AI for science. In October,",
            "body_en": "At an event for pharmaceutical executives, biotech founders, and researchers on Tuesday, Anthropic announced Claude Science, a major new product intended to support scientific research in the same way that Claude Code supports software engineering. Like Claude Code, Claude Science can autonomously carry out meaningful work when given concise, high-level instructions, and it has access to tools that make it particularly useful for research in computational biology and drug development. Along with launching and previewing Claude Science, which is now available to all paid Claude subscribers, Anthropic also announced that it will be using the product to pursue some of its own research into drugs for rare, neglected diseases. This is not Anthropic’s first foray into AI for science. In October, the company released plug-ins that help Claude make use of scientific software and databases under the heading “Claude for Life Sciences.” But unlike this earlier release, Claude Science is a full-featured, standalone product. Anthropic’s decision to elevate Claude Science to the same rank as Claude Code and Claude Cowork indicates that the company is taking AI’s scientific applications very seriously—or at least wants to give the impression that it is. “It represents how important this is to our mission that this is right up there with Claude Code and Claude Cowork as the next really significant product that we’re releasing,” says Eric Kauderer-Abrams, Anthropic’s head of life sciences. “Our mission is to develop AI that serves humanity’s long-term well-being, and we believe that by far the greatest opportunity to do that is in the life sciences.” For the past decade, one company—Google DeepMind—has been at the vanguard of AI for science. CEO Demis Hassabis and researcher John Jumper won the Nobel Prize in chemistry for their work on the company’s AlphaFold model, and DeepMind has also made major contributions to meteorology, materials science, and a variety of other disciplines. But in the past several months, the fast-advancing frontier of AI progress seems to have left DeepMind in the dust. When it comes to coding, which has become the most lucrative use case for LLMs, DeepMind is stuck playing catch-up . Anthropic is well positioned to take up DeepMind’s scientific mantle. Like Hassabis, Anthropic CEO Dario Amodei is a PhD scientist—unlike OpenAI CEO Sam Altman, who’s a businessman through and through. Many scientists are already avid users of tools such as Claude Code. These days, a lot of scientific research involves some amount of coding, but not all scientists are expert software engineers, and so tools like Claude Code can make a huge difference for their productivity. And the company has recently earned a major scientific vote of confidence: Earlier this month, Jumper announced that he is leaving DeepMind for Anthropic. Since agents powered by LLMs, including Anthropic’s Opus model series, became capable of useful, independent work in late 2025, scientists have been seeing just how much they can do. In a blog post published on Anthropic’s website, the Harvard physicist Matthew Schwartz estimated, on the basis of his work with Claude Code and other Anthropic tools, that the company’s Opus 4.5 model is about as capable of executing scientific projects as a second-year graduate student. According to Kauderer-Abrams, Claude Science isn’t intended to displace Claude Code and Claude Cowork in scientists’ workflows. Instead, it’s designed to build on what scientists already find useful about Anthropic’s products. For instance, it not only writes code but also helps scientists run their code on powerful computer clusters, which many many scientists need for their work but can be difficult to manage. And it prioritizes reproducibility, so that scientists can trace back the source of any figure or result and check it for accuracy and validity. Though Claude Science could in principle assist with any area of scientific research, it seems designed and marketed as a tool for molecular and cellular biology, and for drug development in particular. It can interface with various tools used in genetics, chemistry, and protein biology, all of which could come in handy for researchers on the hunt for new drugs. During the Tuesday event, Alexander Tarashansky, who led the development of Claude Science, demonstrated how the system could autonomously identify new drug candidates for phenylketonuria, a rare genetic disease. And Anthropic isn’t leaving all that work to the pharma companies and university labs that were represented at the event. Armed with Claude Science, it will be pursuing its own research into drug candidates for neglected diseases—both to help move science forward and to gain a clearer sense of how Claude Science works in the real world. There are obvious humanitarian reasons to prioritize drug development when creating a general-purpose scientific research tool, and AI industry leaders often cite curing disease as a major potential upside of the technology. But it’s also notable that pharmaceutical companies have far deeper pockets than academic researchers. Anthropic says it’s set to see its first profitable quarter, and if major new contracts with pharmaceutical companies are forthcoming, they could help ensure it stays profitable as the tokenmaxxing craze dies down—something that’s ever more important as an IPO approaches later this year.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/06\/claude-science3a.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/06\/30\/1139987\/claude-science-is-anthropics-newest-flagship-product\/",
            "date": "2026-06-30",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "كلود ساينس هو أحدث منتج رائد لشركة أنثروبيك",
            "summary_ar": "في حدث للمديرين التنفيذيين للأدوية ومؤسسي التكنولوجيا الحيوية والباحثين يوم الثلاثاء، أعلنت شركة Anthropic عن Claude Science، وهو منتج رئيسي جديد يهدف إلى دعم البحث العلمي بنفس الطريقة التي يدعم بها Claude Code هندسة البرمجيات. مثل كلود كود، يستطيع كلود ساينس القيام بعمل هادف بشكل مستقل عندما يحصل على تعليمات موجزة وعالية المستوى، ولديه إمكانية الوصول إلى الأدوات التي تجعله مفيدًا بشكل خاص للبحث في علم الأحياء الحسابي وتطوير الأدوية. إلى جانب إطلاق ومعاينة Claude Science، المتوفر الآن لجميع مشتركي Claude المدفوعين، أعلنت Anthropic أيضًا أنها ستستخدم المنتج لمتابعة بعض أبحاثها الخاصة في مجال أدوية الأمراض النادرة والمهملة. هذه ليست أول غزوة أنثروبيك في مجال الذكاء الاصطناعي للعلوم. في أكتوبر،",
            "body_ar": "في حدث للمديرين التنفيذيين للأدوية ومؤسسي التكنولوجيا الحيوية والباحثين يوم الثلاثاء، أعلنت شركة Anthropic عن Claude Science، وهو منتج رئيسي جديد يهدف إلى دعم البحث العلمي بنفس الطريقة التي يدعم بها Claude Code هندسة البرمجيات. مثل كلود كود، يستطيع كلود ساينس القيام بعمل هادف بشكل مستقل عندما يحصل على تعليمات موجزة وعالية المستوى، ولديه إمكانية الوصول إلى الأدوات التي تجعله مفيدًا بشكل خاص للبحث في علم الأحياء الحسابي وتطوير الأدوية. إلى جانب إطلاق ومعاينة Claude Science، المتوفر الآن لجميع مشتركي Claude المدفوعين، أعلنت Anthropic أيضًا أنها ستستخدم المنتج لمتابعة بعض أبحاثها الخاصة في مجال أدوية الأمراض النادرة والمهملة. هذه ليست أول غزوة أنثروبيك في مجال الذكاء الاصطناعي للعلوم. وفي أكتوبر، أصدرت الشركة مكونات إضافية تساعد كلود في الاستفادة من البرامج العلمية وقواعد البيانات تحت عنوان \"كلود لعلوم الحياة\". ولكن على عكس هذا الإصدار السابق، يعد Claude Science منتجًا مستقلاً كامل الميزات. يشير قرار Anthropic برفع Claude Science إلى نفس مرتبة Claude Code وClaude Cowork إلى أن الشركة تأخذ التطبيقات العلمية للذكاء الاصطناعي على محمل الجد - أو على الأقل تريد إعطاء الانطباع بأنها كذلك. يقول إريك كودرير أبرامز، رئيس قسم علوم الحياة في أنثروبيك: \"إنه يمثل مدى أهمية هذا بالنسبة لمهمتنا، حيث أن كلود كود وكلود كوورك هما المنتج المهم التالي الذي نطلقه\". \"مهمتنا هي تطوير الذكاء الاصطناعي الذي يخدم رفاهية البشرية على المدى الطويل، ونحن نعتقد أن أعظم فرصة للقيام بذلك هي في علوم الحياة.\" على مدى العقد الماضي، كانت شركة واحدة – Google DeepMind – في طليعة الذكاء الاصطناعي للعلوم. فاز الرئيس التنفيذي ديميس هاسابيس والباحث جون جامبر بجائزة نوبل في الكيمياء لعملهما على نموذج AlphaFold الخاص بالشركة، كما قدمت DeepMind أيضًا مساهمات كبيرة في الأرصاد الجوية وعلوم المواد ومجموعة متنوعة من التخصصات الأخرى. ولكن في الأشهر القليلة الماضية، يبدو أن التقدم السريع في مجال الذكاء الاصطناعي قد ترك شركة DeepMind في الغبار. عندما يتعلق الأمر بالبرمجة، التي أصبحت حالة الاستخدام الأكثر ربحًا لطلاب ماجستير إدارة الأعمال، فإن DeepMind عالقة في محاولة اللحاق بالركب. إن الأنثروبيك في وضع جيد لتولي عباءة DeepMind العلمية. مثل هاسابيس، فإن الرئيس التنفيذي لشركة Anthropic، داريو أمودي، هو عالم دكتوراه - على عكس الرئيس التنفيذي لشركة OpenAI، سام ألتمان، وهو رجل أعمال بكل معنى الكلمة. العديد من العلماء يستخدمون بالفعل أدوات مثل Claude Code. في هذه الأيام، يتضمن الكثير من البحث العلمي قدرًا من البرمجة، ولكن ليس كل العلماء مهندسي برمجيات خبراء، وبالتالي فإن أدوات مثل Claude Code يمكن أن تحدث فرقًا كبيرًا في إنتاجيتهم. وقد حصلت الشركة مؤخرًا على تصويت علمي كبير بالثقة: في وقت سابق من هذا الشهر، أعلن جامبر أنه سيترك شركة DeepMind وينتقل إلى شركة Anthropic. منذ أن أصبح العملاء المدعومون من LLMs، بما في ذلك سلسلة نماذج Anthropic’s Opus، قادرين على القيام بعمل مفيد ومستقل في أواخر عام 2025، كان العلماء يرون مدى ما يمكنهم فعله. وفي تدوينة منشورة على موقع أنثروبيك الإلكتروني، قدر عالم الفيزياء في جامعة هارفارد ماثيو شوارتز، على أساس عمله مع كلود كود وغيره من الأدوات الإنسانية، أن نموذج أوبوس 4.5 الذي تنتجه الشركة قادر على تنفيذ مشاريع علمية مثل طالب دراسات عليا في السنة الثانية. وفقًا لكاودر أبرامز، ليس المقصود من كلود ساينس أن يحل محل كلود كود وكلود كوورك في سير عمل العلماء. وبدلاً من ذلك، تم تصميمه للبناء على ما وجده العلماء مفيدًا بالفعل بشأن منتجات Anthropic. على سبيل المثال، فهو لا يكتب التعليمات البرمجية فحسب، بل يساعد العلماء أيضًا على تشغيل التعليمات البرمجية الخاصة بهم على مجموعات كمبيوتر قوية، والتي يحتاجها العديد من العلماء في عملهم ولكن قد يكون من الصعب إدارتها. ويعطي الأولوية لقابلية التكرار، حتى يتمكن العلماء من تتبع مصدر أي رقم أو نتيجة والتحقق من دقتها وصحتها. على الرغم من أن كلود ساينس يمكنه من حيث المبدأ المساعدة في أي مجال من مجالات البحث العلمي، إلا أنه يبدو أنه تم تصميمه وتسويقه كأداة للبيولوجيا الجزيئية والخلوية، ولتطوير الأدوية على وجه الخصوص. ويمكنه التفاعل مع الأدوات المختلفة المستخدمة في علم الوراثة والكيمياء وبيولوجيا البروتين، وكلها يمكن أن تكون مفيدة للباحثين الذين يبحثون عن أدوية جديدة. خلال حدث الثلاثاء، أظهر ألكسندر تاراشانسكي، الذي قاد تطوير كلود ساينس، كيف يمكن للنظام أن يحدد بشكل مستقل مرشحي الأدوية الجديدة لعلاج بيلة الفينيل كيتون، وهو مرض وراثي نادر. ولا تترك شركة Anthropic كل هذا العمل لشركات الأدوية ومختبرات الجامعات التي كانت ممثلة في هذا الحدث. ومن خلال تسليحها بكلود ساينس، سوف تتابع أبحاثها الخاصة في الأدوية المرشحة للأمراض المهملة - للمساعدة في دفع العلوم إلى الأمام والحصول على فكرة أوضح عن كيفية عمل كلود ساينس في العالم الحقيقي. هناك أسباب إنسانية واضحة لإعطاء الأولوية لتطوير الأدوية عند إنشاء أداة بحث علمي ذات أغراض عامة، وكثيرا ما يشير قادة صناعة الذكاء الاصطناعي إلى علاج المرض باعتباره جانبا إيجابيا رئيسيا محتملا للتكنولوجيا. ولكن من الجدير بالملاحظة أيضًا أن شركات الأدوية لديها جيوب أعمق بكثير من الباحثين الأكاديميين. تقول شركة Anthropic إنها من المقرر أن تشهد أول ربع مربح لها، وإذا كانت هناك عقود جديدة كبيرة مع شركات الأدوية وشيكة، فيمكنها المساعدة في ضمان بقائها مربحة مع انتهاء جنون tokenmaxxing - وهو أمر أكثر أهمية من أي وقت مضى مع اقتراب الاكتتاب العام الأولي في وقت لاحق هذا سنة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/06\/30\/1139513\/agriculture-is-ready-for-ai-but-its-data-isnt\/",
            "title_en": "Agriculture is ready for AI, but its data isn’t",
            "summary_en": "Artificial intelligence is transforming what is possible in agriculture, but industry leaders should be wary of investing in AI without first laying the groundwork. The use cases are promising, especially for an industry navigating volatile fertilizer costs, unpredictable weather, and margins that leave little room for error. Research shows AI-enabled predictive models can improve crop yield by 26%, reduce water use by 41%, and cut chemical usage by 33%. However, what AI vendors usually won’t tell you is that these solutions are only effective if you have a clean, solid data foundation. However, at Reltio, we have experience in this area, including leading technology strategy at a major agricultural distributor and building a data platform used by enterprises worldwide–we’ve seen it first ",
            "body_en": "Artificial intelligence is transforming what is possible in agriculture, but industry leaders should be wary of investing in AI without first laying the groundwork. The use cases are promising, especially for an industry navigating volatile fertilizer costs, unpredictable weather, and margins that leave little room for error. Research shows AI-enabled predictive models can improve crop yield by 26%, reduce water use by 41%, and cut chemical usage by 33%. However, what AI vendors usually won’t tell you is that these solutions are only effective if you have a clean, solid data foundation. However, at Reltio, we have experience in this area, including leading technology strategy at a major agricultural distributor and building a data platform used by enterprises worldwide–we’ve seen it first hand. What AI vendors won’t tell you Vendor conversations in agriculture tend to follow a familiar pattern. The pitch leads with grand promises around using AI to monitor crop health in real time, optimize irrigation, and squeeze more yield from every acre. The promise is compelling, but what rarely comes up is the question of whether the data foundation underneath those promises is accurate and complete. If not, there is a real and significant risk that AI will generate misleading outputs that seem authoritative but inspire action that is, at best, counterproductive. For instance, a yield prediction model fed inconsistent historical data will generate imprecise forecasts. Similarly, a precision irrigation system drawing on fragmented sensor data will make watering decisions that waste resources instead of saving them. In each case, the AI is failing because the data it was trained on was not sufficient to produce trustworthy outputs. In agriculture, every AI hallucination is a liability, and the likelihood of error is high. Why agriculture is a uniquely challenging test case The data landscape across a modern agricultural operation or a large distributor serving thousands of growers is extraordinarily complex. Modern farming environments make extensive use of IoT devices and machinery. Irrigation systems are automated, tractors navigate fields autonomously, and drones capture field imagery at scale. However, machine data is disparate by nature. Add in external sources, including weather feeds, U.S. Department of Agriculture data, and third-party market information, and the question of how you bring all of it together into something coherent becomes a significant undertaking. Agricultural AI also needs to understand more than just customer attributes; it needs to understand the land: GPS coordinates, farm boundaries, field blocks, and soil variation across a single property. Where do you apply fertilizer, and at what rate, and in which specific area of the farm? Not all parts of a field are the same, and an AI system that treats them as if they are will produce recommendations that are at best imprecise and at worst damaging. There is also a compliance dimension due to the chemicals and the responsibility involved. Operational AI in agriculture needs significantly more checks and governance than it might in a lower-stakes environment. When a flawed recommendation gets acted upon in the field, the consequences can be severe. What data readiness means in practice Data readiness is the difference between AI delivering on its promise vs. a “garbage in, garbage out” scenario. Fundamentally, being ready for AI means having a data model that accurately reflects how the business operates. For a company like Wilbur-Ellis, a 104-year-old, family-owned agricultural distributor, that means understanding who your customers are, which fields they farm, which inputs they need, which suppliers those inputs come from, what they paid last season, and how all of that connects to margin. That information needs to be current, consistent, and accessible across the organization, rather than locked in separate systems that were never designed to talk to each other. Similarly, for farming operations themselves, data readiness means having a reliable, connected picture of what is happening across every field: soil health records, input application histories, yield data from previous seasons, equipment performance, and real-time sensor readings from irrigation systems. Governance matters just as much as structure. Prices change, relationships evolve, and suppliers come and go. An AI system drawing on data that was accurate six months ago but has not been maintained will make recommendations based on a version of the business that no longer exists. Building the foundation that makes AI trustworthy The good news is that the path to data readiness is feasible. It starts with a strong data model: a single, governed source of truth that connects customers, suppliers, products, pricing, orders, and margins in a way that reflects how the organization operates. From there, it requires data pipelines fast enough to deliver insights when decisions need to be made, governance frameworks that keep that data trustworthy over time, and security controls that ensure sensitive commercial information is accessible to the right people under the right conditions. This is precisely the challenge that Reltio, an SAP company, was built to solve. Reltio enables companies to unify their fragmented data so AI agents and systems can operate from a complete picture of the business. Reltio builds a trusted system of context, known as the context intelligence layer, that brings all entities, relationships, rules together under one roof and makes business data easy to access and interpret. For Wilbur-Ellis, building that trustworthy data foundation has meant being able to ask more complex questions and trust the answers, which is the precondition for any AI system to be genuinely useful. How agriculture can drive real value from AI The question worth asking before the next AI conversation is not whether the use case is promising. It almost certainly is. The question is whether the underlying data foundation is strong enough to make the output trustworthy. Agriculture has always required its leaders to make high-stakes decisions under uncertainty, and AI offers the genuine prospect of making those decisions faster and better informed. That prospect is only achievable for organizations that have done the foundational work first, and the businesses that will get the most from AI are the ones investing in that foundation now. This content was produced by Reltio. It was not written by MIT Technology Review’s editorial staff.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/06\/Reltio-iStock-2279127589.jpg?w=2309",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/06\/30\/1139513\/agriculture-is-ready-for-ai-but-its-data-isnt\/",
            "date": "2026-06-30",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "الزراعة جاهزة للذكاء الاصطناعي، لكن بياناتها ليست كذلك",
            "summary_ar": "يعمل الذكاء الاصطناعي على تحويل ما هو ممكن في الزراعة، ولكن ينبغي لقادة الصناعة أن يكونوا حذرين من الاستثمار في الذكاء الاصطناعي دون وضع الأساس أولا. تعتبر حالات الاستخدام واعدة، خاصة بالنسبة لصناعة تتنقل في تكاليف الأسمدة المتقلبة، والطقس الذي لا يمكن التنبؤ به، والهوامش التي لا تترك مجالا كبيرا للخطأ. تظهر الأبحاث أن النماذج التنبؤية المدعومة بالذكاء الاصطناعي يمكنها تحسين إنتاجية المحاصيل بنسبة 26%، وتقليل استخدام المياه بنسبة 41%، وتقليل استخدام المواد الكيميائية بنسبة 33%. ومع ذلك، فإن ما لن يخبرك به بائعو الذكاء الاصطناعي عادة هو أن هذه الحلول تكون فعالة فقط إذا كان لديك أساس بيانات نظيف ومتين. ومع ذلك، في Reltio، لدينا خبرة في هذا المجال، بما في ذلك استراتيجية التكنولوجيا الرائدة في أحد الموزعين الزراعيين الرئيسيين وبناء منصة بيانات تستخدمها المؤسسات في جميع أنحاء العالم - لقد رأينا ذلك لأول مرة",
            "body_ar": "يعمل الذكاء الاصطناعي على تحويل ما هو ممكن في الزراعة، ولكن ينبغي لقادة الصناعة أن يكونوا حذرين من الاستثمار في الذكاء الاصطناعي دون وضع الأساس أولا. تعتبر حالات الاستخدام واعدة، خاصة بالنسبة لصناعة تتنقل في تكاليف الأسمدة المتقلبة، والطقس الذي لا يمكن التنبؤ به، والهوامش التي لا تترك مجالا كبيرا للخطأ. تظهر الأبحاث أن النماذج التنبؤية المدعومة بالذكاء الاصطناعي يمكنها تحسين إنتاجية المحاصيل بنسبة 26%، وتقليل استخدام المياه بنسبة 41%، وتقليل استخدام المواد الكيميائية بنسبة 33%. ومع ذلك، فإن ما لن يخبرك به بائعو الذكاء الاصطناعي عادة هو أن هذه الحلول تكون فعالة فقط إذا كان لديك أساس بيانات نظيف ومتين. ومع ذلك، في Reltio، لدينا خبرة في هذا المجال، بما في ذلك استراتيجية التكنولوجيا الرائدة في أحد الموزعين الزراعيين الرئيسيين وبناء منصة بيانات تستخدمها المؤسسات في جميع أنحاء العالم - لقد رأينا ذلك بشكل مباشر. ما لن يخبرك به بائعو الذكاء الاصطناعي: تميل محادثات البائعين في الزراعة إلى اتباع نمط مألوف. يبدأ العرض بوعود كبيرة حول استخدام الذكاء الاصطناعي لمراقبة صحة المحاصيل في الوقت الفعلي، وتحسين الري، واستخلاص المزيد من العائد من كل فدان. إن الوعد مقنع، ولكن ما نادرًا ما يُطرح هو مسألة ما إذا كانت قاعدة البيانات التي تستند إليها تلك الوعود دقيقة وكاملة. إذا لم يكن الأمر كذلك، فهناك خطر حقيقي وكبير في أن يعمل الذكاء الاصطناعي على توليد مخرجات مضللة تبدو موثوقة ولكنها تلهم العمل الذي يؤدي في أفضل الأحوال إلى نتائج عكسية. على سبيل المثال، سيؤدي نموذج التنبؤ بالعائد الذي يتم تغذيته ببيانات تاريخية غير متسقة إلى توليد توقعات غير دقيقة. وبالمثل، فإن نظام الري الدقيق الذي يعتمد على بيانات الاستشعار المجزأة سوف يتخذ قرارات الري التي تؤدي إلى إهدار الموارد بدلاً من الحفاظ عليها. وفي كل حالة، يفشل الذكاء الاصطناعي لأن البيانات التي تم تدريبه عليها لم تكن كافية لإنتاج مخرجات جديرة بالثقة. في الزراعة، تعتبر كل هلوسة تتعلق بالذكاء الاصطناعي مسؤولية، واحتمال الخطأ مرتفع. لماذا تعتبر الزراعة حالة اختبار صعبة بشكل فريد؟ إن مشهد البيانات عبر عملية زراعية حديثة أو موزع كبير يخدم آلاف المزارعين معقد للغاية. تستفيد البيئات الزراعية الحديثة من أجهزة وآلات إنترنت الأشياء على نطاق واسع. أصبحت أنظمة الري آلية، وتتنقل الجرارات في الحقول بشكل مستقل، وتلتقط الطائرات بدون طيار الصور الميدانية على نطاق واسع. ومع ذلك، فإن بيانات الآلة متباينة بطبيعتها. أضف مصادر خارجية، بما في ذلك موجزات الطقس بالولايات المتحدة. إن بيانات وزارة الزراعة، ومعلومات السوق الخاصة بالأطراف الثالثة، ومسألة كيفية جمع كل ذلك معًا في شيء متماسك تصبح مهمة كبيرة. يحتاج الذكاء الاصطناعي الزراعي أيضًا إلى فهم أكثر من مجرد سمات العملاء؛ فهو يحتاج إلى فهم الأرض: إحداثيات نظام تحديد المواقع العالمي (GPS)، وحدود المزرعة، والكتل الميدانية، وتنوع التربة عبر عقار واحد. أين يتم استخدام الأسمدة وبأي معدل وفي أي منطقة محددة من المزرعة؟ ليست كل أجزاء المجال متماثلة، ونظام الذكاء الاصطناعي الذي يعاملها كما لو كانت كذلك سينتج توصيات تكون في أفضل الأحوال غير دقيقة ومضرة في أسوأ الأحوال. هناك أيضًا بُعد يتعلق بالامتثال بسبب المواد الكيميائية والمسؤولية المتضمنة. يحتاج الذكاء الاصطناعي التشغيلي في الزراعة إلى المزيد من الضوابط والحوكمة أكثر بكثير مما قد يحتاجه في بيئة منخفضة المخاطر. عندما يتم العمل على توصية معيبة في الميدان، يمكن أن تكون العواقب وخيمة. ماذا تعني جاهزية البيانات عمليًا؟ جاهزية البيانات هي الفرق بين الوفاء بوعد الذكاء الاصطناعي مقابل سيناريو \"القمامة في القمامة\". في الأساس، الاستعداد للذكاء الاصطناعي يعني وجود نموذج بيانات يعكس بدقة كيفية عمل الشركة. بالنسبة لشركة مثل ويلبر إليس، وهي شركة توزيع زراعية مملوكة لعائلة عمرها 104 أعوام، فإن هذا يعني فهم من هم عملاؤك، وما هي الحقول التي يزرعونها، وما هي المدخلات التي يحتاجون إليها، ومن الموردين تأتي هذه المدخلات، وما دفعوه في الموسم الماضي، وكيف يرتبط كل ذلك بالهامش. يجب أن تكون هذه المعلومات حديثة ومتسقة ويمكن الوصول إليها عبر المؤسسة، بدلاً من أن تكون مقيدة في أنظمة منفصلة لم يتم تصميمها مطلقًا للتحدث مع بعضها البعض. وبالمثل، بالنسبة للعمليات الزراعية نفسها، فإن جاهزية البيانات تعني وجود صورة موثوقة ومترابطة لما يحدث في كل مجال: سجلات صحة التربة، وتاريخ تطبيقات المدخلات، وبيانات الغلة من المواسم السابقة، وأداء المعدات، وقراءات أجهزة الاستشعار في الوقت الحقيقي من أنظمة الري. إن الحوكمة مهمة بقدر أهمية الهيكل. تتغير الأسعار، وتتطور العلاقات، ويأتي الموردون ويذهبون. إن نظام الذكاء الاصطناعي الذي يعتمد على البيانات التي كانت دقيقة قبل ستة أشهر ولكن لم يتم الحفاظ عليها سيقدم توصيات بناءً على نسخة من العمل لم تعد موجودة. بناء الأساس الذي يجعل الذكاء الاصطناعي جديرًا بالثقة الخبر السار هو أن الطريق إلى جاهزية البيانات ممكن. يبدأ الأمر بنموذج بيانات قوي: مصدر واحد محكوم للحقيقة يربط بين العملاء والموردين والمنتجات والتسعير والطلبات والهوامش بطريقة تعكس كيفية عمل المنظمة. ومن هنا، يتطلب الأمر خطوط أنابيب بيانات سريعة بما يكفي لتقديم رؤى عند الحاجة إلى اتخاذ قرارات، وأطر حوكمة تجعل تلك البيانات جديرة بالثقة بمرور الوقت، وضوابط أمنية تضمن إمكانية الوصول إلى المعلومات التجارية الحساسة للأشخاص المناسبين في ظل الظروف المناسبة. هذا هو بالضبط التحدي الذي تم إنشاء شركة Reltio، إحدى شركات SAP، لحله. يتيح Reltio للشركات توحيد بياناتها المجزأة حتى يتمكن وكلاء وأنظمة الذكاء الاصطناعي من العمل من خلال صورة كاملة للأعمال. تقوم Reltio ببناء نظام سياق موثوق به، يُعرف باسم طبقة ذكاء السياق، التي تجمع جميع الكيانات والعلاقات والقواعد معًا تحت سقف واحد وتسهل الوصول إلى بيانات الأعمال وتفسيرها. بالنسبة إلى ويلبر إليس، فإن بناء قاعدة بيانات جديرة بالثقة يعني القدرة على طرح أسئلة أكثر تعقيدًا والثقة في الإجابات، وهو الشرط المسبق لأي نظام ذكاء اصطناعي ليكون مفيدًا حقًا. كيف يمكن للزراعة أن تحقق قيمة حقيقية من الذكاء الاصطناعي؟ السؤال الذي يستحق طرحه قبل المحادثة التالية حول الذكاء الاصطناعي ليس ما إذا كانت حالة الاستخدام واعدة. يكاد يكون من المؤكد أنه كذلك. والسؤال هو ما إذا كانت قاعدة البيانات الأساسية قوية بما يكفي لجعل المخرجات جديرة بالثقة. لقد طلبت الزراعة دائمًا من قادتها اتخاذ قرارات عالية المخاطر في ظل عدم اليقين، ويقدم الذكاء الاصطناعي احتمالًا حقيقيًا لاتخاذ هذه القرارات بشكل أسرع وأكثر استنارة. لا يمكن تحقيق هذا الاحتمال إلا للمؤسسات التي قامت بالعمل التأسيسي أولاً، والشركات التي ستستفيد أكثر من الذكاء الاصطناعي هي التي تستثمر في هذا الأساس الآن. تم إنتاج هذا المحتوى بواسطة شركة ريلتيو. لم يتم كتابته في افتتاحية MIT Technology Review طاقم عمل.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/06\/29\/1139849\/ai-agents-are-not-your-coworkers\/",
            "title_en": "AI agents are not your “coworkers”",
            "summary_en": "This story originally appeared in The Algorithm, our weekly newsletter on AI. To get stories like this in your inbox first, sign up here . Imagine coming in to work to learn that a new underling will report to you. The worker is not a person but an AI tool—one that your company nonetheless calls Alex, an “employee” with a title and defined responsibilities. How well do you think you would work with Alex? If you’re anything like the managers recently studied by Emma Wiles, a Boston University business professor, treating Alex as a “coworker” and not a software tool would lead you to do a worse job. Wiles found that people caught 18% fewer errors when the work was said to have come from an agentic “AI employee” rather than a chatbot. It turns out that what’s in a name matters. A lot. This is",
            "body_en": "This story originally appeared in The Algorithm, our weekly newsletter on AI. To get stories like this in your inbox first, sign up here . Imagine coming in to work to learn that a new underling will report to you. The worker is not a person but an AI tool—one that your company nonetheless calls Alex, an “employee” with a title and defined responsibilities. How well do you think you would work with Alex? If you’re anything like the managers recently studied by Emma Wiles, a Boston University business professor, treating Alex as a “coworker” and not a software tool would lead you to do a worse job. Wiles found that people caught 18% fewer errors when the work was said to have come from an agentic “AI employee” rather than a chatbot. It turns out that what’s in a name matters. A lot. This is an alarming glimpse of the future Silicon Valley is hurling us toward. Last year Nvidia’s CEO, Jensen Huang, talked about workplaces of “digital humans.” Since April, Microsoft, OpenAI, Anthropic, and Google have all released new tools oriented toward managing teams of AI agents, many of which are explicitly advertised as digital colleagues with the flexibility and cognitive power of actual humans. And nearly a third of the 1,261 managers who participated in Wiles’s study said their companies already frame AI agents as employees (23% even list them on org charts). The technical progress of agentic AI is not all hot air, of course. Agents, which can effectively be thought of as AI tools programmed to work in a loop until they achieve a goal, have become measurably better at more complicated tasks. But it’s a huge leap to refer to these tools as coworkers or employees, and doing so will set unrealistic expectations for what AI can do while leaving the human employees supposedly responsible for them worse off. That’s partially because, Wiles’s research suggests, it inverts our sense of who’s in charge. When an AI tool was framed as an employee, participants in the study saw themselves as less responsible for its output. They were also 44% more likely to escalate its questionable work to a manager for further review rather than trusting their own corrections (thus negating the time-saving purpose of using the AI agent in the first place). That matters far beyond office culture: As AI agents are embedded into health care, warfare, education, and government, there’s a growing risk they’ll become a convenient place to dump blame for failures that are instead the product of bad human decisions, incentives, and oversight (recall how the bomb strike on a girls’ school in Iran was popularly blamed on Claude, when all signs point to a cascade of human errors). “AI agents right now are being marketed as things that can replace humans, and I think that’s just a losing proposition,” says Daron Acemoglu, an economist at MIT who won the Nobel Prize in 2024 and studies AI’s impact on the economy. “They should instead be optimized so that they can improve human capabilities, which is not what they have [been] at the moment.” What could that look like? Consider a new effort at Stanford, where researchers presented 1,500 workers in 104 jobs with information about what tasks AI could potentially do in their work and then asked what would actually be most helpful and productive. Workers did want automation in certain areas: Law clerks thought AI could help ensure that adequate progress was being made across cases, for example. But often the tasks that tech experts deemed most suitable for AI—like verifying customer credit ratings for sales reps—were what the actual workers said they definitely did not want or need an agent to do. Which brings us back to Alex. Calling Alex an employee is easy—and convenient, especially when something goes wrong—but it’s a branding exercise. It doesn’t make the tool more fit for the job, and as Wiles’s research shows, it makes the humans around it worse at theirs. And recall that they are the ones with the agency that AI is trying to replicate. They deserve better than Alex.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/06\/260625_AIAgents.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/06\/29\/1139849\/ai-agents-are-not-your-coworkers\/",
            "date": "2026-06-29",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "عملاء الذكاء الاصطناعي ليسوا \"زملائك في العمل\"",
            "summary_ar": "ظهرت هذه القصة في الأصل في The Algorithm، رسالتنا الإخبارية الأسبوعية حول الذكاء الاصطناعي. للحصول على قصص مثل هذه في بريدك الوارد أولاً، قم بالتسجيل هنا. تخيل أنك أتيت إلى العمل لتعلم أن أحد المرؤوسين الجدد سيقدم تقاريرك إليك. فالعامل ليس شخصًا، بل أداة للذكاء الاصطناعي، وهي أداة تطلق عليها شركتك اسم \"أليكس\"، وهو \"موظف\" يحمل عنوانًا ومسؤوليات محددة. إلى أي مدى تعتقد أنك ستعمل مع أليكس؟ إذا كنت مثل المديرين الذين درستهم مؤخراً إيما وايلز، أستاذة الأعمال في جامعة بوسطن، فإن معاملة أليكس على أنه \"زميل عمل\" وليس كأداة برمجية من شأنه أن يقودك إلى القيام بعمل أسوأ. وجد وايلز أن الأشخاص وقعوا في أخطاء أقل بنسبة 18% عندما قيل أن العمل جاء من \"موظف يعمل بالذكاء الاصطناعي\" بدلاً من روبوت الدردشة. اتضح أن ما هو موجود في الاسم مهم. كثيراً. هذا يكون",
            "body_ar": "ظهرت هذه القصة في الأصل في The Algorithm، رسالتنا الإخبارية الأسبوعية حول الذكاء الاصطناعي. للحصول على قصص مثل هذه في بريدك الوارد أولاً، قم بالتسجيل هنا. تخيل أنك أتيت إلى العمل لتعلم أن أحد المرؤوسين الجدد سيقدم تقاريرك إليك. فالعامل ليس شخصًا، بل أداة للذكاء الاصطناعي، وهي أداة تطلق عليها شركتك اسم \"أليكس\"، وهو \"موظف\" يحمل عنوانًا ومسؤوليات محددة. إلى أي مدى تعتقد أنك ستعمل مع أليكس؟ إذا كنت مثل المديرين الذين درستهم مؤخراً إيما وايلز، أستاذة الأعمال في جامعة بوسطن، فإن معاملة أليكس على أنه \"زميل عمل\" وليس كأداة برمجية من شأنه أن يقودك إلى القيام بعمل أسوأ. وجد وايلز أن الأشخاص وقعوا في أخطاء أقل بنسبة 18% عندما قيل أن العمل جاء من \"موظف يعمل بالذكاء الاصطناعي\" بدلاً من روبوت الدردشة. اتضح أن ما هو موجود في الاسم مهم. كثيراً. وهذه لمحة مثيرة للقلق للمستقبل الذي يتجه نحوه وادي السيليكون. في العام الماضي، تحدث الرئيس التنفيذي لشركة Nvidia، جنسن هوانغ، عن أماكن عمل \"البشر الرقميين\". منذ إبريل\/نيسان، أصدرت شركات مايكروسوفت، وOpenAI، وأنثروبك، وجوجل أدوات جديدة موجهة نحو إدارة فرق من وكلاء الذكاء الاصطناعي، والذين تم الإعلان عن العديد منهم صراحة كزملاء رقميين يتمتعون بالمرونة والقوة المعرفية التي يتمتع بها البشر الفعليون. وقال ما يقرب من ثلث المديرين البالغ عددهم 1261 مديراً الذين شاركوا في دراسة وايلز إن شركاتهم تقوم بالفعل بتصنيف وكلاء الذكاء الاصطناعي كموظفين (حتى أن 23% منهم أدرجوهم في المخططات التنظيمية). بالطبع، ليس التقدم التقني للذكاء الاصطناعي الوكيل مجرد كلام فارغ. لقد أصبح الوكلاء، الذين يمكن اعتبارهم أدوات ذكاء اصطناعي مبرمجة للعمل في حلقة حتى يحققوا هدفا، أفضل بشكل ملموس في المهام الأكثر تعقيدا. لكن الإشارة إلى هذه الأدوات على أنها زملاء عمل أو موظفين تعتبر قفزة كبيرة، والقيام بذلك سيضع توقعات غير واقعية لما يمكن أن يفعله الذكاء الاصطناعي بينما يترك الموظفين البشريين المسؤولين عنهم في وضع أسوأ. ويرجع ذلك جزئيًا إلى أن بحث وايلز، كما تشير أبحاثه، يعكس إحساسنا بمن هو المسؤول. عندما تم تصنيف أداة الذكاء الاصطناعي على أنها موظفة، رأى المشاركون في الدراسة أنفسهم أقل مسؤولية عن مخرجاتها. وكانوا أيضًا أكثر ميلاً بنسبة 44% إلى تصعيد العمل المشكوك فيه إلى مدير لإجراء مزيد من المراجعة بدلاً من الثقة في تصحيحاتهم (وبالتالي إلغاء غرض توفير الوقت المتمثل في استخدام وكيل الذكاء الاصطناعي في المقام الأول). هذا الأمر مهم إلى ما هو أبعد من ثقافة المكتب: بما أن عملاء الذكاء الاصطناعي مدمجون في الرعاية الصحية، والحرب، والتعليم، والحكومة، هناك خطر متزايد من أن يصبحوا مكانًا مناسبًا لإلقاء اللوم على الإخفاقات التي هي بدلاً من ذلك نتاج القرارات الإنسانية السيئة، والحوافز، والرقابة (تذكر كيف تم إلقاء اللوم بشكل عام على كلود في الهجوم بالقنابل على مدرسة للفتيات في إيران، في حين تشير كل الدلائل إلى سلسلة من الأخطاء البشرية). يقول دارون عاصم أوغلو، الخبير الاقتصادي في معهد ماساتشوستس للتكنولوجيا والذي فاز بجائزة نوبل في عام 2024 ويدرس تأثير الذكاء الاصطناعي على الاقتصاد: “يتم تسويق عملاء الذكاء الاصطناعي في الوقت الحالي على أنهم أشياء يمكن أن تحل محل البشر، وأعتقد أن هذا مجرد اقتراح خاسر”. \"وبدلاً من ذلك، يجب تحسينها حتى تتمكن من تحسين القدرات البشرية، وهو ما لم يكن عليه الحال في الوقت الحالي.\" كيف يمكن أن يبدو ذلك؟ ولنتأمل هنا جهداً جديداً في جامعة ستانفورد، حيث قدم الباحثون إلى 1500 عامل في 104 وظيفة معلومات حول المهام التي يمكن أن يؤديها الذكاء الاصطناعي في عملهم، ثم سألوا ما الذي قد يكون في الواقع أكثر فائدة وإنتاجية. كان العمال يريدون الأتمتة في مجالات معينة: اعتقد كتبة القانون أن الذكاء الاصطناعي يمكن أن يساعد في ضمان تحقيق التقدم المناسب عبر القضايا، على سبيل المثال. ولكن في كثير من الأحيان كانت المهام التي اعتبرها خبراء التكنولوجيا الأكثر ملاءمة للذكاء الاصطناعي - مثل التحقق من التصنيف الائتماني للعملاء لمندوبي المبيعات - هي ما قال العمال الفعليون إنهم بالتأكيد لا يريدون أو يحتاجون إلى وكيل للقيام به. وهو ما يعيدنا إلى أليكس. يعد استدعاء Alex كموظف أمرًا سهلاً ومريحًا، خاصة عندما يحدث خطأ ما، ولكنه بمثابة تمرين للعلامة التجارية. فهو لا يجعل الأداة أكثر ملاءمة للوظيفة، وكما يظهر بحث وايلز، فإنه يجعل البشر من حولها أسوأ في أدائهم. وتذكر أنهم هم الأشخاص الذين لديهم الوكالة التي يحاول الذكاء الاصطناعي تقليدها. إنهم يستحقون أفضل من أليكس.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/06\/29\/1139635\/agent-confidence-on-the-technical-frontier\/",
            "title_en": "Agent confidence on the technical frontier",
            "summary_en": "Enterprise investment in AI is booming. Gartner is calling 2026 an “ inflection year ” for organizations to align their AI projects with strategic business objectives. As the pressure to prove ROI mounts, executives and technology leaders are looking to agentic AI to drive the measurable financial outcomes their businesses seek. A prime opportunity for AI agents exists in the tech function, where IT infrastructure costs are projected to grow two to three times by 2030, even as budgets remain unchanged, according to McKinsey . And in the last 18 months, tech teams—the engineers, developers, architects, and other practitioners who are building, deploying, and continually improving their organizations’ infrastructure and applications—are clearly putting agents to work. DOWNLOAD THE REPORT The",
            "body_en": "Enterprise investment in AI is booming. Gartner is calling 2026 an “ inflection year ” for organizations to align their AI projects with strategic business objectives. As the pressure to prove ROI mounts, executives and technology leaders are looking to agentic AI to drive the measurable financial outcomes their businesses seek. A prime opportunity for AI agents exists in the tech function, where IT infrastructure costs are projected to grow two to three times by 2030, even as budgets remain unchanged, according to McKinsey . And in the last 18 months, tech teams—the engineers, developers, architects, and other practitioners who are building, deploying, and continually improving their organizations’ infrastructure and applications—are clearly putting agents to work. DOWNLOAD THE REPORT The ultimate promise of agents is not only to automate tasks but to manage and coordinate entire workflows, pursuing business goals in a way that allows humans and agents to work together. Given the risks involved in automated decision-making, teams cannot delegate the work that agents do without confidence that they are fully capable of performing the task and that it will do so in a safe, reliable, and secure manner. Among technology experts, our research shows that teams are exceedingly confident about using agentic AI across a significant amount of AI, data, and cloud tasks. Where agent readiness drops is largely due to a lack of business context being supplied to agentic systems. The more complex the task, the more reasoning capability an agent requires and the greater its need for business context. Such context-generation capabilities for agents are still at an early stage of development, especially in situations where enterprise data is difficult to wrangle and connect into the agent lifecycle at the speed and quality in which developers and executives need it. Human oversight is a key factor of success in deploying agentic AI. Knowing that tech teams are in a pivotal position to lead this transformation, the experts we interviewed expect agent confidence to accelerate as experience with agents deepens and business environments mature. “As we design agents to operate within the same operational boundaries, identity systems, and governance models that teams already use, they start to behave more like the systems organizations already trust,” says Jeremy Winter, corporate vice president and chief product officer at Microsoft Azure Platform. This report, based on a survey of 300 global technology experts, ranks 101 tasks across AI, data, and cloud workflows based on respondents’ confidence in agents acting on their behalf. It also examines how technology teams view the opportunities and challenges related to agentic AI, along with the potential for the technology to enhance their careers. Key findings from the report include: Confidence in agents is surging for measurable tasks and growing in areas of complex judgment. Technology experts overwhelmingly believe agents help with everyday work including streamlining processes, improving performance, and reducing repetitive tasks. Confidence is highest for processes like generating reports and boilerplate code, and there is clear opportunity where tasks involve multistep workflows and advanced reasoning to make decisions. Data workflows are the breakthrough domain. Tech teams trust agents most where structure can provide a reliable foundation for decisions. This includes areas such as data quality monitoring, visualization anomaly detection, real-time data stream monitoring, and data profiling. This is where domain experts closest to the point of data generation can provide context to allow agents to act and deliver trusted outcomes. Download the full report. Read the Microsoft Cloud blog by Amanda Silver, corporate vice president of Microsoft 365 Core and Work IQ, which underscores the importance of keeping humans in the loop and how systems thinking advances careers. And for a deeper dive into data workflows as a breakthrough use case for agents, check out the Fabric blog to hear from Kim Manis, corporate vice president of Product for Microsoft Fabric. This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/06\/Microsoft-Report-2026-cover.png",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/06\/29\/1139635\/agent-confidence-on-the-technical-frontier\/",
            "date": "2026-06-29",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "ثقة الوكيل على الحدود الفنية",
            "summary_ar": "يزدهر الاستثمار المؤسسي في الذكاء الاصطناعي. تصف مؤسسة Gartner عام 2026 بأنه \"عام التحول\" للمؤسسات لمواءمة مشاريع الذكاء الاصطناعي الخاصة بها مع أهداف العمل الإستراتيجية. مع تزايد الضغوط لإثبات عائد الاستثمار، يتطلع المديرون التنفيذيون وقادة التكنولوجيا إلى الذكاء الاصطناعي الوكيل لتحقيق النتائج المالية القابلة للقياس التي تسعى إليها أعمالهم. توجد فرصة رئيسية لوكلاء الذكاء الاصطناعي في الوظيفة التقنية، حيث من المتوقع أن تنمو تكاليف البنية التحتية لتكنولوجيا المعلومات مرتين إلى ثلاث مرات بحلول عام 2030، حتى مع بقاء الميزانيات دون تغيير، وفقًا لماكينزي. وفي الأشهر الثمانية عشر الماضية، من الواضح أن فرق التكنولوجيا - المهندسين، والمطورين، والمهندسين المعماريين، وغيرهم من الممارسين الذين يقومون ببناء البنية التحتية والتطبيقات لمؤسساتهم ونشرها وتحسينها باستمرار - تعمل على تشغيل الوكلاء. قم بتنزيل التقرير ال",
            "body_ar": "يزدهر الاستثمار المؤسسي في الذكاء الاصطناعي. تصف مؤسسة Gartner عام 2026 بأنه \"عام التحول\" للمؤسسات لمواءمة مشاريع الذكاء الاصطناعي الخاصة بها مع أهداف العمل الإستراتيجية. مع تزايد الضغوط لإثبات عائد الاستثمار، يتطلع المديرون التنفيذيون وقادة التكنولوجيا إلى الذكاء الاصطناعي الوكيل لتحقيق النتائج المالية القابلة للقياس التي تسعى إليها أعمالهم. توجد فرصة رئيسية لوكلاء الذكاء الاصطناعي في الوظيفة التقنية، حيث من المتوقع أن تنمو تكاليف البنية التحتية لتكنولوجيا المعلومات مرتين إلى ثلاث مرات بحلول عام 2030، حتى مع بقاء الميزانيات دون تغيير، وفقًا لماكينزي. وفي الأشهر الثمانية عشر الماضية، من الواضح أن فرق التكنولوجيا - المهندسين، والمطورين، والمهندسين المعماريين، وغيرهم من الممارسين الذين يقومون ببناء البنية التحتية والتطبيقات لمؤسساتهم ونشرها وتحسينها باستمرار - تعمل على تشغيل الوكلاء. تنزيل التقرير إن الوعد النهائي للوكلاء ليس فقط أتمتة المهام، بل أيضًا إدارة وتنسيق سير العمل بالكامل، ومتابعة أهداف العمل بطريقة تسمح للبشر والوكلاء بالعمل معًا. نظرًا للمخاطر التي ينطوي عليها اتخاذ القرار الآلي، لا يمكن للفرق تفويض العمل الذي يقوم به الوكلاء دون الثقة في أنهم قادرون تمامًا على أداء المهمة وأنهم سيفعلون ذلك بطريقة آمنة وموثوقة ومأمونة. بين خبراء التكنولوجيا، يُظهر بحثنا أن الفرق واثقة للغاية بشأن استخدام الذكاء الاصطناعي الوكيل عبر قدر كبير من الذكاء الاصطناعي والبيانات والمهام السحابية. يرجع انخفاض جاهزية الوكيل إلى حد كبير إلى نقص سياق الأعمال الذي يتم توفيره للأنظمة الوكيلة. كلما كانت المهمة أكثر تعقيدًا، كلما زادت القدرة المنطقية التي يحتاجها الوكيل وزادت حاجته إلى سياق العمل. لا تزال قدرات إنشاء السياق للوكلاء هذه في مرحلة مبكرة من التطوير، خاصة في المواقف التي يصعب فيها الجدل حول بيانات المؤسسة والاتصال بدورة حياة الوكيل بالسرعة والجودة التي يحتاجها المطورون والمديرون التنفيذيون. تعد المراقبة البشرية عاملاً رئيسياً للنجاح في نشر الذكاء الاصطناعي الوكيل. ومع العلم أن فرق التكنولوجيا في موقع محوري لقيادة هذا التحول، يتوقع الخبراء الذين قابلناهم أن تتسارع ثقة الوكلاء مع تعميق الخبرة مع الوكلاء ونضوج بيئات العمل. يقول جيريمي وينتر، نائب رئيس الشركة وكبير مسؤولي المنتجات في Microsoft Azure Platform: \"بينما نقوم بتصميم الوكلاء للعمل ضمن نفس الحدود التشغيلية وأنظمة الهوية ونماذج الحوكمة التي تستخدمها الفرق بالفعل، فإنهم يبدأون في التصرف بشكل يشبه الأنظمة التي تثق بها المؤسسات بالفعل\". يصنف هذا التقرير، استنادًا إلى استطلاع رأي شمل 300 خبير عالمي في مجال التكنولوجيا، 101 مهمة عبر الذكاء الاصطناعي والبيانات وسير العمل السحابي استنادًا إلى ثقة المشاركين في الوكلاء الذين يعملون بالنيابة عنهم. ويتناول أيضًا كيفية رؤية فرق التكنولوجيا للفرص والتحديات المتعلقة بالذكاء الاصطناعي الوكيل، إلى جانب إمكانات التكنولوجيا لتعزيز حياتهم المهنية. وتشمل النتائج الرئيسية التي توصل إليها التقرير ما يلي: الثقة في الوكلاء ترتفع في المهام القابلة للقياس وتنمو في مجالات الحكم المعقد. يعتقد خبراء التكنولوجيا بأغلبية ساحقة أن الوكلاء يساعدون في العمل اليومي بما في ذلك تبسيط العمليات وتحسين الأداء وتقليل المهام المتكررة. تبلغ الثقة أعلى مستوياتها في عمليات مثل إنشاء التقارير والتعليمات البرمجية المعيارية، وهناك فرصة واضحة حيث تتضمن المهام سير عمل متعدد الخطوات واستدلالًا متقدمًا لاتخاذ القرارات. سير عمل البيانات هو مجال الاختراق. تثق الفرق التقنية بالوكلاء في أغلب الأحيان حيث يمكن للهيكل أن يوفر أساسًا موثوقًا لاتخاذ القرارات. يتضمن ذلك مجالات مثل مراقبة جودة البيانات، والكشف عن شذوذ التصور، ومراقبة تدفق البيانات في الوقت الفعلي، وتوصيف البيانات. هذا هو المكان الذي يمكن لخبراء المجال الأقرب إلى نقطة توليد البيانات توفير السياق للسماح للوكلاء بالعمل وتقديم نتائج موثوقة. قم بتنزيل التقرير الكامل. اقرأ مدونة Microsoft Cloud التي أعدتها أماندا سيلفر، نائب رئيس شركة Microsoft 365 Core وWork IQ، والتي تؤكد أهمية إبقاء البشر على اطلاع على التطورات وكيف يعمل تفكير الأنظمة على تطوير الوظائف. وللتعمق أكثر في سير عمل البيانات كحالة استخدام متقدمة للوكلاء، راجع مدونة Fabric للاستماع إلى كيم مانيس، نائب رئيس الشركة لمنتج Microsoft Fabric. تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي ​​تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/06\/25\/1137848\/repositioning-retail-for-the-ai-era\/",
            "title_en": "Repositioning retail for the AI era",
            "summary_en": "Artificial intelligence is rapidly reshaping retail, but not in the ways consumers might immediately notice. The biggest transformation may not be flashy virtual try-ons or chatbot shopping assistants, but in how decisions are made behind the scenes: how products surface in search results, how inventory moves through supply chains, how engineers ship code faster, and how retailers respond to customer behavior in real time. As legacy retailers navigate a fragmented and hyper-competitive landscape, AI is becoming an operating philosophy. At Macy’s, that philosophy is more often defined by what senior director of engineering Murali Murugan describes as an “AI-first” approach. “AI first isn’t about adding intelligence on top,” Murugan says. “It’s about redesigning how decisions happen so the b",
            "body_en": "Artificial intelligence is rapidly reshaping retail, but not in the ways consumers might immediately notice. The biggest transformation may not be flashy virtual try-ons or chatbot shopping assistants, but in how decisions are made behind the scenes: how products surface in search results, how inventory moves through supply chains, how engineers ship code faster, and how retailers respond to customer behavior in real time. As legacy retailers navigate a fragmented and hyper-competitive landscape, AI is becoming an operating philosophy. At Macy’s, that philosophy is more often defined by what senior director of engineering Murali Murugan describes as an “AI-first” approach. “AI first isn’t about adding intelligence on top,” Murugan says. “It’s about redesigning how decisions happen so the business moves faster and every experience feels more relevant by default.” Rather than layering AI onto existing workflows, Macy’s is embedding intelligence directly into systems that include personalization, search, operational planning, and software development itself. The company’s strategy is reflective of a larger shift taking place across retail: moving from isolated AI pilots toward integrated systems designed to compress, as Murugan puts it, “the gap between the signal and the action.” Early efforts focused on narrow, high-impact use cases like search recommendations and customer engagement, where measurable gains in conversion and reduced friction quickly built internal momentum. “Once we established the quick wins, scaling was a business decision, not a technology debate anymore,” he says. That momentum is now extending into conversational commerce through tools like Ask Macy’s, an AI-powered shopping assistant designed to act more like a personal stylist than a traditional search bar. Whether for a prom, a vacation, or a last-minute event, customers can describe what they need conversationally and receive curated recommendations informed by past purchases, preferences, and context. Still, the company sees AI as more of an invisible layer augmenting human judgment than a replacement for it. The long-term vision is retail that feels increasingly seamless, adaptive, and personalized, powered by systems customers may never even notice are there. “The real transformation in this all comes from continuous improvement,” Murugan says. “It’s about learning from the mistakes, quickly adapting to the newer technology standards that are coming into play, timing, and execution which compound into a meaningfully better customer experience.” This webcast is produced in partnership with Infosys. This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/05\/MITTRIInfosysMacys-social-1200px.png?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/06\/25\/1137848\/repositioning-retail-for-the-ai-era\/",
            "date": "2026-06-25",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "إعادة تحديد موقع البيع بالتجزئة لعصر الذكاء الاصطناعي",
            "summary_ar": "يعمل الذكاء الاصطناعي على إعادة تشكيل تجارة التجزئة بسرعة، ولكن ليس بالطرق التي قد يلاحظها المستهلكون على الفور. قد لا يكون التحول الأكبر عبارة عن تجارب افتراضية مبهرجة أو مساعدي التسوق عبر برامج الدردشة الآلية، ولكن في كيفية اتخاذ القرارات خلف الكواليس: كيف تظهر المنتجات في نتائج البحث، وكيف يتحرك المخزون عبر سلاسل التوريد، وكيف يرسل المهندسون التعليمات البرمجية بشكل أسرع، وكيف يستجيب تجار التجزئة لسلوك العملاء في الوقت الحقيقي. بينما يتنقل تجار التجزئة التقليديون في مشهد مجزأ وشديد التنافسية، أصبح الذكاء الاصطناعي فلسفة تشغيلية. في Macy's، يتم تعريف هذه الفلسفة في كثير من الأحيان من خلال ما يصفه مدير الهندسة الأول مورالي موروجان بأنه نهج \"الذكاء الاصطناعي أولاً\". يقول موروجان: \"لا يتعلق الذكاء الاصطناعي أولاً بإضافة الذكاء في الأعلى\". \"يتعلق الأمر بإعادة تصميم كيفية اتخاذ القرارات بحيث",
            "body_ar": "يعمل الذكاء الاصطناعي على إعادة تشكيل تجارة التجزئة بسرعة، ولكن ليس بالطرق التي قد يلاحظها المستهلكون على الفور. قد لا يكون التحول الأكبر عبارة عن تجارب افتراضية مبهرجة أو مساعدي التسوق عبر برامج الدردشة الآلية، ولكن في كيفية اتخاذ القرارات خلف الكواليس: كيف تظهر المنتجات في نتائج البحث، وكيف يتحرك المخزون عبر سلاسل التوريد، وكيف يرسل المهندسون التعليمات البرمجية بشكل أسرع، وكيف يستجيب تجار التجزئة لسلوك العملاء في الوقت الحقيقي. بينما يتنقل تجار التجزئة التقليديون في مشهد مجزأ وشديد التنافسية، أصبح الذكاء الاصطناعي فلسفة تشغيلية. في Macy's، يتم تعريف هذه الفلسفة في كثير من الأحيان من خلال ما يصفه مدير الهندسة الأول مورالي موروجان بأنه نهج \"الذكاء الاصطناعي أولاً\". يقول موروجان: \"لا يتعلق الذكاء الاصطناعي أولاً بإضافة الذكاء في الأعلى\". \"يتعلق الأمر بإعادة تصميم كيفية اتخاذ القرارات بحيث تتحرك الأعمال بشكل أسرع وتبدو كل تجربة أكثر أهمية بشكل افتراضي.\" وبدلاً من وضع الذكاء الاصطناعي ضمن طبقات سير العمل الحالية، تعمل شركة Macy’s على دمج الذكاء مباشرة في الأنظمة التي تشمل التخصيص والبحث والتخطيط التشغيلي وتطوير البرمجيات نفسها. وتعكس استراتيجية الشركة تحولاً أكبر يحدث عبر تجارة التجزئة: الانتقال من أنظمة الذكاء الاصطناعي التجريبية المعزولة نحو أنظمة متكاملة مصممة لضغط \"الفجوة بين الإشارة والفعل\"، على حد تعبير موروجان. ركزت الجهود المبكرة على حالات الاستخدام الضيقة وعالية التأثير مثل توصيات البحث ومشاركة العملاء، حيث أدت المكاسب القابلة للقياس في التحويل وتقليل الاحتكاك إلى بناء الزخم الداخلي بسرعة. ويقول: \"بمجرد أن حددنا المكاسب السريعة، أصبح التوسع قرارًا تجاريًا، ولم يعد نقاشًا تكنولوجيًا بعد الآن\". ويمتد هذا الزخم الآن إلى التجارة التحادثية من خلال أدوات مثل Ask Macy’s، وهو مساعد تسوق مدعوم بالذكاء الاصطناعي مصمم للعمل كمصمم شخصي أكثر من كونه شريط بحث تقليدي. سواء كان ذلك لحفلة موسيقية، أو عطلة، أو حدث في اللحظة الأخيرة، يمكن للعملاء وصف ما يحتاجون إليه أثناء المحادثة والحصول على توصيات منسقة مستنيرة بالمشتريات والتفضيلات والسياق السابقة. ومع ذلك، ترى الشركة أن الذكاء الاصطناعي مجرد طبقة غير مرئية تعزز الحكم البشري أكثر من كونها بديلاً له. تتمثل الرؤية طويلة المدى في تجارة التجزئة التي تبدو أكثر سلاسة وتكيفًا وتخصيصًا، مدعومة بأنظمة قد لا يلاحظ العملاء وجودها أبدًا. يقول موروغان: \"إن التحول الحقيقي في هذا كله يأتي من التحسين المستمر\". \"يتعلق الأمر بالتعلم من الأخطاء، والتكيف بسرعة مع أحدث معايير التكنولوجيا التي تدخل حيز التنفيذ، والتوقيت، والتنفيذ، مما يضاعف من تجربة العملاء الأفضل بشكل ملموس.\" يتم إنتاج هذا البث عبر الإنترنت بالشراكة مع Infosys. تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي ​​تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/06\/24\/1139202\/the-emergence-of-the-web-data-infrastructure-layer-for-ai\/",
            "title_en": "The emergence of the web data infrastructure layer for AI",
            "summary_en": "AI is booming. New use cases are emerging each day. To capitalize on the technology’s potential, enterprises require data at scale. In many cases, though, the relevant information is blocked or unstructured, which limits its use by AI models. To understand this challenge, consider the foundation of the web itself. The web was not designed for the automated discovery and retrieval that new AI applications demand. Overcoming this inherent design constraint requires infrastructure. The next frontier in AI may depend on a new web data infrastructure layer that can enable models to discover and map this ever-expanding digital realm. This layer must be able to navigate hundreds of millions of existing web domains and billions of new URLs created each week, delivering real-time information and ov",
            "body_en": "AI is booming. New use cases are emerging each day. To capitalize on the technology’s potential, enterprises require data at scale. In many cases, though, the relevant information is blocked or unstructured, which limits its use by AI models. To understand this challenge, consider the foundation of the web itself. The web was not designed for the automated discovery and retrieval that new AI applications demand. Overcoming this inherent design constraint requires infrastructure. The next frontier in AI may depend on a new web data infrastructure layer that can enable models to discover and map this ever-expanding digital realm. This layer must be able to navigate hundreds of millions of existing web domains and billions of new URLs created each week, delivering real-time information and overcoming technical barriers. “The data suggests there’s far more data out there,” says Or Lenchner, CEO of Bright Data, a web data collection platform. “Think of the universe: It’s out there, but you don’t know what you don’t know.” Enabling access to fresh, relevant, and trustworthy data While early AI breakthroughs were driven by scaling training data and model size, organizations are now encountering a fundamental bottleneck: They need to keep pace with the dynamic, unstructured, and constantly evolving nature of web data in order to ground outputs in current and verifiable information. AI performance increasingly depends not just on model architecture but on a system’s compute, networking, retrieval, and data engineering capabilities—that is, the system’s ability to quickly and reliably retrieve data that is fresh, relevant, and trustworthy. Traditional model training relies on snapshots of information collected at a particular point in time. Training AI on such static data is no longer sufficient. To track fluctuations such as competitor pricing, consumer sentiment, and market trends, companies need a constant feed of new information, pulling data in real time along with relevant context. Their infrastructure must therefore be able to handle millions of simultaneous interactions across websites that vary by geography, language, format, and access rules. “If it can’t retrieve real-time information, it lacks context,” Lenchner says. “In a business setting, that’s not acceptable anymore. Stale answers lead to bad decisions and disappointed consumers.” Speed is not merely a matter of convenience; it’s a matter of necessity. Today’s organizations operate in environments where prices, inventory, markets, security threats, and customer behavior change continuously. Delayed data retrieval can reduce the usefulness of an otherwise sophisticated model. Using live, high-quality web data can also reduce AI hallucinations because the model has a more relevant knowledge base. This builds user trust. In fact, one survey found that 56% of AI practitioners said businesses need access to real-time web data to improve trust in AI outputs. To ensure the model runs efficiently and effectively, the information must also be pared down to the appropriate essentials. Despite the introduction of retrieval-augmented generation (RAG), where models pull in external data at the moment of a query, many AI systems still struggle to deliver outputs that are current, contextually relevant, and trustworthy in operational settings. According to Gartner, 60% of AI projects that are not supported by AI-ready data—accurate, structured, organized, and contextualized—will be abandoned by the end of the year. This is because large-scale retrieval alone does not solve the problem. As Lenchner puts it, “You need to retrieve data at scale, but also in real time. Latency becomes an issue because of the end user who is waiting for the output.” Accessing fresh, AI-ready data at scale introduces technical and structural challenges. In practice, many enterprise systems combine public web retrieval with APIs, licensed datasets, and proprietary internal data in their AI applications. Integrating these fragmented sources into a timely and usable knowledge layer requires specialized capabilities. Some research has found that 97% of AI organizations depend on real-time web data infrastructure, but 90% feel boxed in by various restrictions. Companies are increasingly developing technical approaches to navigate these constraints. Lenchner draws this metaphor: “Think of the trained model as intelligence and relevant data as knowledge. A powerful intelligence layer sitting on top of a hollow knowledge layer is like a genius who knows nothing—useless in practice. Intelligence and knowledge have to come together.” The promise of new infrastructure A new layer of web data infrastructure can address this developing need for stronger AI inputs by enabling discovery of data, real-time access, and tailoring to a specific context. As Lechner describes it, “It’s all about collecting data at scale, super-low latency, without being blocked.” Rather than relying on increased computing power, this type of platform emulates human browsing behavior to access available content and transform raw code into structured data feeds. It can work with websites that might not interact with traditional scraping tools, such as those heavy in JavaScript, or with aggressive antibot software. As Lenchner explains, “It’s basically having infrastructure that can mimic a web user with identifying information—IP address, location, and 1,000 more parameters. And at scale. Think of doing that 80 billion times a day for millions of websites. And every single time, you are looking exactly as the website expects you to look.” Of course, continuous retrieval introduces new data governance challenges. To address them, platforms can enforce strict compliance protocols aligned with global privacy frameworks, such as the EU’s General Data Protection Regulation (GDPR) and the California Consumer Privacy Act (CCPA). They can also be limited to openly accessible, public information, avoiding paywalls or private logins. Any networks used can be vetted and consent-based, and incentives can be provided to owners of IP addresses. In this way, systems can be designed to comply with tightening regulation. Such complex capabilities do not come easy. “When this is critical infrastructure for a company,” Lenchner says, “doing it in-house becomes a full-time engineering problem that competes with the actual AI work.” Addressing this complexity requires organizations to commit significant resources, leading many to seek specialized platforms designed specifically for data retrieval, orchestration, and observability. Infrastructure for the real world Real-time data retrieval is changing what AI systems can do inside organizations. For example, a retail company can use public information to enable a dynamic pricing engine, and global brands can track trademark infringements. As the ecosystem matures, organizations that invest in this emerging data infrastructure layer will be better positioned to build AI systems that are more responsive, reliable, and aligned with real-world conditions—AI systems that can continuously adapt using current web data. Over time, the distinction between AI models and the infrastructure that feeds them may even begin to disappear. As Lenchner says, “The world is changing. And everything that is happening in the world is being uploaded to the public web. The amount of new data that is being generated is growing and accelerating.” To learn more from Bright Data, read the Data for AI 2026 report . This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/06\/iStock-1714934690.jpg",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/06\/24\/1139202\/the-emergence-of-the-web-data-infrastructure-layer-for-ai\/",
            "date": "2026-06-24",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "ظهور طبقة البنية التحتية لبيانات الويب للذكاء الاصطناعي",
            "summary_ar": "الذكاء الاصطناعي يزدهر. حالات الاستخدام الجديدة تظهر كل يوم. للاستفادة من إمكانات التكنولوجيا، تحتاج الشركات إلى بيانات على نطاق واسع. ولكن في كثير من الحالات، تكون المعلومات ذات الصلة محظورة أو غير منظمة، مما يحد من استخدامها بواسطة نماذج الذكاء الاصطناعي. لفهم هذا التحدي، فكر في أساس الويب نفسه. لم يتم تصميم الويب للاكتشاف والاسترجاع الآلي الذي تتطلبه تطبيقات الذكاء الاصطناعي الجديدة. إن التغلب على هذا القيد المتأصل في التصميم يتطلب بنية تحتية. قد تعتمد الحدود التالية في الذكاء الاصطناعي على طبقة بنية تحتية جديدة لبيانات الويب يمكنها تمكين النماذج من اكتشاف ورسم خريطة لهذا العالم الرقمي الآخذ في التوسع. يجب أن تكون هذه الطبقة قادرة على التنقل عبر مئات الملايين من نطاقات الويب الحالية ومليارات عناوين URL الجديدة التي يتم إنشاؤها كل أسبوع، مما يوفر معلومات ومعلومات في الوقت الفعلي فوق",
            "body_ar": "الذكاء الاصطناعي يزدهر. حالات الاستخدام الجديدة تظهر كل يوم. للاستفادة من إمكانات التكنولوجيا، تحتاج الشركات إلى بيانات على نطاق واسع. ولكن في كثير من الحالات، تكون المعلومات ذات الصلة محظورة أو غير منظمة، مما يحد من استخدامها بواسطة نماذج الذكاء الاصطناعي. لفهم هذا التحدي، فكر في أساس الويب نفسه. لم يتم تصميم الويب للاكتشاف والاسترجاع الآلي الذي تتطلبه تطبيقات الذكاء الاصطناعي الجديدة. إن التغلب على هذا القيد المتأصل في التصميم يتطلب بنية تحتية. قد تعتمد الحدود التالية في الذكاء الاصطناعي على طبقة بنية تحتية جديدة لبيانات الويب يمكنها تمكين النماذج من اكتشاف ورسم خريطة لهذا العالم الرقمي الآخذ في التوسع. يجب أن تكون هذه الطبقة قادرة على التنقل عبر مئات الملايين من نطاقات الويب الحالية ومليارات عناوين URL الجديدة التي يتم إنشاؤها كل أسبوع، مما يوفر معلومات في الوقت الفعلي ويتغلب على الحواجز التقنية. يقول أور لينشنر، الرئيس التنفيذي لشركة برايت داتا، وهي منصة لجمع البيانات على شبكة الإنترنت: \"تشير البيانات إلى وجود بيانات أكثر بكثير\". \"فكر في الكون: إنه موجود، لكنك لا تعرف ما لا تعرفه.\" تمكين الوصول إلى بيانات جديدة وذات صلة وجديرة بالثقة في حين أن الاختراقات المبكرة للذكاء الاصطناعي كانت مدفوعة بتوسيع نطاق بيانات التدريب وحجم النموذج، تواجه المؤسسات الآن اختناقًا أساسيًا: فهي بحاجة إلى مواكبة الطبيعة الديناميكية وغير المنظمة والمتطورة باستمرار لبيانات الويب من أجل إرساء المخرجات في المعلومات الحالية والتي يمكن التحقق منها. لا يعتمد أداء الذكاء الاصطناعي بشكل متزايد على بنية النموذج فحسب، بل يعتمد أيضًا على قدرات النظام في مجال الحوسبة والشبكات والاسترجاع وهندسة البيانات، أي قدرة النظام على استرداد البيانات الجديدة وذات الصلة والجديرة بالثقة بسرعة وبشكل موثوق. يعتمد التدريب النموذجي التقليدي على لقطات من المعلومات التي تم جمعها في وقت معين. ولم يعد تدريب الذكاء الاصطناعي على مثل هذه البيانات الثابتة كافيا. لتتبع التقلبات مثل أسعار المنافسين ومعنويات المستهلكين واتجاهات السوق، تحتاج الشركات إلى تغذية مستمرة بالمعلومات الجديدة، وسحب البيانات في الوقت الفعلي جنبًا إلى جنب مع السياق ذي الصلة. ولذلك يجب أن تكون البنية التحتية الخاصة بهم قادرة على التعامل مع ملايين التفاعلات المتزامنة عبر مواقع الويب التي تختلف حسب الجغرافيا واللغة والتنسيق وقواعد الوصول. يقول لينشنر: \"إذا لم يتمكن من استرجاع المعلومات في الوقت الفعلي، فإنه يفتقر إلى السياق\". \"في بيئة الأعمال، لم يعد هذا مقبولا بعد الآن. الإجابات التي لا معنى لها تؤدي إلى قرارات سيئة وتصيب المستهلكين بخيبة الأمل. السرعة ليست مجرد مسألة راحة؛ إنها مسألة ضرورة. تعمل المؤسسات اليوم في بيئات تتغير فيها الأسعار والمخزون والأسواق والتهديدات الأمنية وسلوك العملاء بشكل مستمر. يمكن أن يؤدي تأخير استرجاع البيانات إلى تقليل فائدة النموذج المعقد. يمكن أن يؤدي استخدام بيانات الويب المباشرة عالية الجودة أيضًا إلى تقليل هلوسة الذكاء الاصطناعي لأن النموذج يحتوي على قاعدة معرفية أكثر صلة. وهذا يبني ثقة المستخدم. في الواقع، وجدت إحدى الدراسات الاستقصائية أن 56% من ممارسي الذكاء الاصطناعي قالوا إن الشركات بحاجة إلى الوصول إلى بيانات الويب في الوقت الفعلي لتحسين الثقة في مخرجات الذكاء الاصطناعي. ولضمان تشغيل النموذج بكفاءة وفعالية، يجب أيضًا تقليص المعلومات إلى الأساسيات المناسبة. على الرغم من تقديم تقنية الاسترجاع المعزز (RAG)، حيث تقوم النماذج بسحب البيانات الخارجية في لحظة الاستعلام، لا تزال العديد من أنظمة الذكاء الاصطناعي تكافح من أجل تقديم مخرجات حديثة وذات صلة بالسياق وجديرة بالثقة في الإعدادات التشغيلية. وفقًا لشركة Gartner، سيتم التخلي عن 60% من مشاريع الذكاء الاصطناعي التي لا تدعمها بيانات جاهزة للذكاء الاصطناعي - دقيقة ومنظمة ومنظمة ومحددة السياق - بحلول نهاية العام. وذلك لأن الاسترجاع على نطاق واسع وحده لا يحل المشكلة. وكما يقول لينشنر: \"أنت بحاجة إلى استرجاع البيانات على نطاق واسع، ولكن أيضًا في الوقت الفعلي. ويصبح زمن الوصول مشكلة بسبب المستخدم النهائي الذي ينتظر المخرجات\". يؤدي الوصول إلى بيانات جديدة جاهزة للذكاء الاصطناعي على نطاق واسع إلى ظهور تحديات فنية وهيكليية. من الناحية العملية، تجمع العديد من أنظمة المؤسسات بين استرجاع الويب العام وواجهات برمجة التطبيقات ومجموعات البيانات المرخصة والبيانات الداخلية الخاصة في تطبيقات الذكاء الاصطناعي الخاصة بها. إن دمج هذه المصادر المجزأة في طبقة معرفية صالحة للاستخدام وفي الوقت المناسب يتطلب قدرات متخصصة. وجدت بعض الأبحاث أن 97% من مؤسسات الذكاء الاصطناعي تعتمد على البنية التحتية لبيانات الويب في الوقت الفعلي، لكن 90% منها تشعر بأنها محاصرة بقيود مختلفة. وتعمل الشركات بشكل متزايد على تطوير أساليب تقنية للتغلب على هذه القيود. يرسم لينشنر هذا التشبيه: \"فكر في النموذج المُدرب باعتباره ذكاءً والبيانات ذات الصلة باعتبارها معرفة. إن طبقة الذكاء القوية التي تجلس فوق طبقة المعرفة المجوفة تشبه العبقري الذي لا يعرف شيئًا - عديم الفائدة في الممارسة العملية. الذكاء والمعرفة يجب أن يجتمعا.\" الوعد ببنية تحتية جديدة يمكن لطبقة جديدة من البنية التحتية لبيانات الويب أن تلبي هذه الحاجة النامية لمدخلات أقوى للذكاء الاصطناعي من خلال تمكين اكتشاف البيانات، والوصول إليها في الوقت الفعلي، والتكيف مع سياق محدد. وكما يصفها ليتشنر، \"الأمر كله يتعلق بجمع البيانات على نطاق واسع، مع زمن استجابة منخفض للغاية، دون أن يتم حظرها\". بدلاً من الاعتماد على زيادة قوة الحوسبة، يحاكي هذا النوع من الأنظمة الأساسية سلوك التصفح البشري للوصول إلى المحتوى المتاح وتحويل التعليمات البرمجية الأولية إلى خلاصات بيانات منظمة. ويمكنه العمل مع مواقع الويب التي قد لا تتفاعل مع أدوات الاستخراج التقليدية، مثل تلك التي تحتوي على كميات كبيرة من JavaScript، أو مع برامج مكافحة الروبوتات القوية. وكما يشرح لينشنر، \"إنها في الأساس بنية تحتية يمكنها محاكاة مستخدم الويب من خلال معلومات تعريفية - عنوان IP، والموقع، و1000 معلمة أخرى. وعلى نطاق واسع. فكر في القيام بذلك 80 مليار مرة يوميًا لملايين مواقع الويب. وفي كل مرة، أنت تنظر تمامًا كما يتوقع منك موقع الويب أن تبدو.\" وبطبيعة الحال، فإن الاسترجاع المستمر يقدم تحديات جديدة لإدارة البيانات. ولمعالجة هذه المشكلات، يمكن للمنصات فرض بروتوكولات امتثال صارمة تتماشى مع أطر الخصوصية العالمية، مثل اللائحة العامة لحماية البيانات (GDPR) للاتحاد الأوروبي وقانون خصوصية المستهلك في كاليفورنيا (CCPA). ويمكن أيضًا أن تقتصر على المعلومات العامة التي يمكن الوصول إليها بشكل مفتوح، أو تجنب نظام حظر الاشتراك غير المدفوع أو تسجيلات الدخول الخاصة. يمكن فحص أي شبكات مستخدمة واعتمادها على الموافقة، ويمكن تقديم الحوافز لأصحاب عناوين IP. وبهذه الطريقة، يمكن تصميم الأنظمة لتتوافق مع القواعد التنظيمية المشددة. مثل هذه القدرات المعقدة لا تأتي بسهولة. يقول لينشنر: \"عندما تكون هذه البنية التحتية بالغة الأهمية لشركة ما، فإن القيام بذلك داخل الشركة يصبح مشكلة هندسية بدوام كامل تتنافس مع العمل الفعلي في مجال الذكاء الاصطناعي\". تتطلب معالجة هذا التعقيد من المؤسسات تخصيص موارد كبيرة، مما يدفع الكثيرين إلى البحث عن منصات متخصصة مصممة خصيصًا لاسترجاع البيانات وتنسيقها وإمكانية ملاحظتها. البنية التحتية للعالم الحقيقي يؤدي استرجاع البيانات في الوقت الفعلي إلى تغيير ما يمكن أن تفعله أنظمة الذكاء الاصطناعي داخل المؤسسات. على سبيل المثال، يمكن لشركة البيع بالتجزئة استخدام المعلومات العامة لتمكين محرك تسعير ديناميكي، ويمكن للعلامات التجارية العالمية تتبع انتهاكات العلامات التجارية. مع نضوج النظام البيئي، ستكون المؤسسات التي تستثمر في طبقة البنية التحتية للبيانات الناشئة في وضع أفضل لبناء أنظمة ذكاء اصطناعي أكثر استجابة وموثوقية ومتوافقة مع ظروف العالم الحقيقي - أنظمة الذكاء الاصطناعي التي يمكنها التكيف باستمرار باستخدام بيانات الويب الحالية. وبمرور الوقت، قد يبدأ التمييز بين نماذج الذكاء الاصطناعي والبنية التحتية التي تغذيها في الاختفاء. وكما يقول لينشنر: \"إن العالم يتغير. ويتم تحميل كل ما يحدث في العالم على شبكة الإنترنت العامة. إن كمية البيانات الجديدة التي يتم توليدها تتزايد وتتسارع.\" لمعرفة المزيد من Bright Data، اقرأ تقرير Data for AI 2026. تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/06\/23\/1138837\/asml-400-million-dollar-machine-powering-future-of-chipmaking\/",
            "title_en": "The $400 million machine powering the future of chipmaking",
            "summary_en": "Jos Benschop is climbing a ladder to get to the top of his newest machine. It’s a bit of a schlep. The contraption is the size of a double-decker bus—more than 150 tons of gleaming precision-milled aluminum covered in thousands of snaking tubes, colored cables, and pressurized tanks. From the ground, it looks like a futuristic V8 engine. When I reach the top with Benschop we’re looking down from about 15 feet in the air, with bunny-suited technicians scurrying around below. It’s more than 200 cubic meters of tech—“mechatronic devices that hold a few mirrors in a position with atomic precision,” he says, gesturing at the gargantuan apparatus. Benschop, a tall and grizzled 66-year-old, has spent over a decade working with his engineers to design this thing, but even so, he’ll sometimes look ",
            "body_en": "Jos Benschop is climbing a ladder to get to the top of his newest machine. It’s a bit of a schlep. The contraption is the size of a double-decker bus—more than 150 tons of gleaming precision-milled aluminum covered in thousands of snaking tubes, colored cables, and pressurized tanks. From the ground, it looks like a futuristic V8 engine. When I reach the top with Benschop we’re looking down from about 15 feet in the air, with bunny-suited technicians scurrying around below. It’s more than 200 cubic meters of tech—“mechatronic devices that hold a few mirrors in a position with atomic precision,” he says, gesturing at the gargantuan apparatus. Benschop, a tall and grizzled 66-year-old, has spent over a decade working with his engineers to design this thing, but even so, he’ll sometimes look at it and go: Oh my God. Benschop is the executive vice president of technology for ASML, a Dutch company that is the linchpin of the microchip industry. If you want to make powerful chips to power phones or AI, a lithography machine like the one we’re standing on is what you need to create increasingly tiny circuitry. Lithography is the art and science of shining light on a silicon wafer to pattern out the transistors, wiring, and other components of the microchips that will be cut from it. The chipmaking field is essentially controlled by only two big players: ASML, which creates the lithography machines, and TSMC, the chipmaking giant. Nine years ago, ASML began selling machines that use a daring new way of patterning chip features. These machines employ extreme-ultraviolet light, or EUV—radiation well outside the visible spectrum that they produce by shooting lasers at tiny molten drops of tin, tens of thousands of times a second. Those first machines—the result of an R&D moonshot that lasted 16 years and cost about $10 billion—can craft transistor features with a resolution of 13 nanometers. This new machine can do even better: It has a resolution of just eight nanometers, the width of about 40 silicon atoms. The devices are now shipping to chipmaking factories, or fabs, at an eye-watering price: $400 million each. But chipmakers will fork that cash over, because they are in a desperate race to produce new and improved chips every year. That means getting their mitts on machines that can make ever smaller components and cram them together ever more densely—part of a long-standing recipe for creating faster and more energy-­efficient chips. For years now, ASML’s tools have been critical to keeping Moore’s Law alive. Without the company’s advanced chipmaking technology it is very possible that chip density—and the ability to perform ever more calculations—would have plateaued. The AI industry has produced new and ravenous demand for denser chips, as firms like OpenAI and Anthropic scramble to erect server farms that train and deploy new, ever-more-powerful models, which require new, ever-more-powerful hardware. ASML’s latest machine promises to help keep the AI party raging for at least another decade. “We can allow customers to go to smaller and smaller features, and that opens up the space for whatever we see now today in AI, which is absolutely mind-blowing,” Marco Pieters, ASML’s CTO, told me. “I think we’ve only seen the tip of the iceberg.” Its relentless push for “shrink”—as they call it in the chipmaking industry—has made ASML a dominant force: The company produces about 90% of all chip-­lithography tools worldwide. If you make chips, ASML is unavoidable. But that monopoly position makes some people, and governments, uneasy. The chipmaking field is essentially controlled by only two big players: ASML, which creates the lithography machines, and TSMC, the chipmaking giant in Taiwan, which uses ASML’s machines to craft the vast majority of all microchips. This duopoly is so powerful that it has geopolitical implications. In an effort to prevent China from developing advanced AI, the US government pressured the Dutch government to impose an embargo in 2019: ASML isn’t allowed to sell high-end machines to any Chinese firm. Geopolitically, “chips are the new oil,” says Marc Hijink, the author of Focus: The ASML Way . Being deprived of them can be as disastrous as being deprived of oil. And in that metaphor, you might say, ASML is the Strait of Hormuz. James Proud, the cofounder and CEO of the lithography startup Substrate, says the situation is not ideal. The US is “dangerously reliant” on a supply chain that’s overseas and increasingly pricey, Substrate says on its website. “There’s a huge concentration in a small number of players,” Proud says. “And the supply chain is just very expensive.” Which is why, after two decades of ASML’s dominance, would-be competitors are now gunning for its territory. China is hungrily pouring billions into trying to replicate ASML’s tech. And startups like Substrate are trying to get in the game as well, setting their sights on creating lithography machines that are cheaper, smaller, and even more capable than ASML’s behemoths. Will any of them succeed? The near future clearly belongs to ASML, but as its engineers well know, you can unseat a giant with the right trick of the light. Making chips is, oddly, a bit like silk-screening a T-shirt. To print a pattern on a silicon wafer, you start with a pattern on a reticle—a mask that carries the design. Shining a light on the reticle transfers that pattern to the wafer. The light interacts with a layer of chemicals on the wafer, fixing the pattern in place. The size of a chip’s features is partly set by the wavelength of light the machine uses: The smaller the wavelength, the teensier the circuitry you can create. You can stretch the capabilities of a wavelength somewhat; increasing what’s known as the numerical aperture, which usually means swapping in a bigger lens, can further focus the light and thus lay down patterns for smaller and smaller components. Eventually, though, this trick hits its limit, and you need to find a new form of light with a smaller wavelength. So the history of chipmaking has been a two-step dance. The industry finds a good source of light, eventually increases the numerical aperture, and then finally accepts the need for a smaller wavelength, starting the two-step all over again. Up to the early 1990s, chipmakers used visible light, with a wavelength of about 400 nanometers. By the mid-’90s they’d upgraded to deep ultraviolet, ultimately getting it down to a 193-nanometer wavelength. By the late ’90s they saw the end of the line approaching for deep ultraviolet. But what would come next? All the options were troublesome. They could shift to x-rays, with a teensy one-­nanometer wavelength, but they were devilishly hard to focus. Beams of electrons and ions were equally precise; but they worked like dot-matrix printers, transferring a pattern point by point, which was far too slow. (The chip industry wants a machine to crank out hundreds of wafers per hour.) “It’s a very engineering-heavy company: Let’s send thousands of engineers and just have them mow down these problems. That’s what they did, and it worked.” Jeff Koch, analyst, SemiAnalysis Around 2001, ASML, then a smaller player in the lithography world, placed its bet on another option: EUV, with a wavelength just shy of the x-ray range. Nikon and Canon were working on it as well, but they dropped out—while ASML kept going. The idea was full of unknowns. Nobody knew how to reliably generate that type of light, nor how to focus it; EUV is absorbed by regular glass lenses. It’s even absorbed by air. ASML figured it would take six full years to wade through this R&D nightmare. In reality it took those 16 years and about $10 billion in research, but it worked. The machine, which works in a vacuum, creates EUV light by vaporizing molten tin and using mirrors to direct it. Zeiss, a historic German optics company, had to invent new techniques for polishing and inspecting the mirrors, using an ion beam to knock off minute imperfections. “They sort of ignored the buzz of, like, Hey, this is never gonna work , and they just beat their heads against these huge engineering problems,” says Jeff Koch, who used to work for ASML and is now an analyst for the chip-industry research firm SemiAnalysis. “It’s a very engineering-­heavy company: Let’s send thousands of engineers and just have them mow down these problems . That’s what they did, and it worked.” When the first EUV machines went on the market in 2017, they cost well over $100 million apiece. Some observers wondered whether the demand would really be there from the major chipmaking firms—TSMC, Samsung, and Intel. In the years chipmakers were waiting for EUV to happen, the lithography industry had developed clever ways to improve on old-fashioned deep ultraviolet light. (If you put a layer of water on top of the wafer, for example, the light could focus more narrowly.) Maybe EUV wouldn’t be much needed for a while? But ASML lucked out. Only a few years after EUV debuted, OpenAI released GPT-3 and then ChatGPT. Artificial intelligence burst into the mainstream. Instantly, firms like OpenAI, Google, Meta, and Anthropic were hungry for increasingly high-end chips as they built massive server farms to train and deploy large language models. EUV made it easier and faster to crank out AI-tailored chip designs. Nvidia began producing elite GPUs—processors perfectly suited for AI training—that cost $40,000 a pop; the big companies couldn’t get enough. The AI wars were on, and EUV was in demand. In 2025, ASML says, it sold nearly 50 EUV machines to companies and pulled in nearly $40 billion in revenue. As of press time, the company’s market cap was over half a trillion dollars. ASML’s new machines have no shortage of potential customers. But there is one in particular, with deep pockets, that can’t buy them for any amount of money: China. The US wants to hobble China’s ability to create cutting-edge AI chips—or any advanced chips, for that matter. So when ASML began selling its original EUV machines, in 2017, the Trump administration successfully pressured the Dutch government to forbid the company from selling them to any Chinese firms. The US had also imposed export controls on China’s telecom giant Huawei, banning US firms from using its 4G and 5G equipment. This one-two punch incensed the Chinese government and stirred it to action. China is now pouring billions into catching up and trying to develop its own EUV chip-patterning technology. A Reuters report last winter found that a government skunkworks employing former ASML staffers had cobbled together a machine so huge it filled the entire floor of a lab. It’s unclear how well it works. The experiment may well be making some chips, says Hijink, but he doubts it can do so at an industrial scale. A mirror is installed in an optical system for the high-NA machine. COURTESY OF ZEISS Officially, the government denied it was pushing to develop EUV tech. An editorial in the Global Times —a newspaper closely allied with the Chinese government—pooh-poohed the report, claiming that China was still happy to work with the West to get access to chips. “Our goal has never been to build a self-­sufficient ‘technology island’ in isolation,” it stated, “but rather, on the basis of achieving autonomy and control over key technologies, to integrate more deeply and equally into the global innovation network.” Experts say the reality is in the middle. China definitely craves a domestic ability to make high-end chips. And unlike ASML, it doesn’t need its EUV machinery to be efficient and profitable, cranking out about 200 wafers an hour. Any output would help wean it off reliance on the West. “They would be very happy to have a tool that does one wafer per hour and it costs them a fortune to run,” Koch says. “They would build a fab with a thousand of those and be super happy with it.” Still, producing and managing EUV light well is a feat that might take years, some told me. In the meantime, the Chinese will lean hard on deep-ultraviolet lithography, developed in the ’90s, making the most of an alternative but slower approach known as multi-­patterning, says David Lin, senior advisor for tech leadership at the Special Competitive Studies Project, a think tank that focuses on security and technology. “They’re going to push DUV to the absolute limits,” Lin says. The AI race is also pushing China to devise ever cleverer ways of developing LLMs that don’t rely on the fastest AI chips. In the US, OpenAI, Anthropic, and Google are fighting over who can buy the biggest piles of hot Nvidia chips. Since China can’t compete that way, it is innovating not in hardware but in software—building lighter-­weight LLMs like DeepSeek. As China rumbles into action, ASML has remained laser focused on shrink. To go even smaller, Benschop and his engineers decided, they wouldn’t shift to a new form of light. They’d do the second part of the two-step: They’d raise the numerical aperture of the machine by more than half (for those keeping track of the specific numbers, it would be a switch from an NA of 0.33 to an NA of 0.55). That would let them cut the size of the transistors by close to half and nearly triple their density on a chip. This would also be an easier climb. Without the need to develop an entirely new source of light, the new machine—based on high-numerical-aperture EUV, or “high NA”—would be evolutionary, not revolutionary. Still, building the new system did present a few gnarly challenges. In an EUV machine, the way you transfer an image onto a wafer is by shining light at the microchip pattern on the reticle and then using an optical system to take the reflected light and demagnify that pattern, shrinking it down to the size you want on the wafer. The light hits only part of the reticle at any given time, so you quickly move the reticle back and forth to expose every part of the pattern to the light. Going to a higher numerical aperture meant they could have smaller features on the reticle. But this also meant that some of the light would be arriving at the reticle—and reflecting off it—at a steeper angle. That’s what caused problems. The pattern on the reticle is three-dimensional, so light arriving at such a steep angle caused shadows—much the way slanted sunlight creates shadows in the Grand Canyon. That stood to diminish the machine’s ability to make clear patterns. The new reticle moves with acceleration up to 22 g, much faster than in the company’s original EUV machine. “Don’t try to sit on it, because you’ll pass out.” The solution was to change the pattern on the reticle—along with the way the mirrors took the light and shrank it down to impart the pattern to the wafer. The designs on the reticle would now be twice as long as they were wide—stretched, as it were, in one dimension. But this design came with its own problems. The changes to the mirrors meant the area on the wafer exposed during a single scan was half the size it was with the original EUV machines, reducing the system’s speed. And ASML couldn’t tolerate any slowdown: Chipmakers were paying it for machines with massive throughput, about 200 wafers an hour. If one part of the system slowed down, another part would have to speed up. The engineers decided the machine should move the reticle faster, which meant making the entire mechanism lighter and dramatically redesigning it. The new reticle moves with acceleration up to 22 g, much faster than in the company’s original EUV machine. “Don’t try to sit on it, because you’ll pass out,” Pieters told me. The wafer stage moves around faster as well, in tandem with the reticle. Meanwhile, over in Germany, Zeiss’s engineers were busy designing mirrors to accommodate the higher numerical aperture and asymmetric shaping of the light. The new mirrors would be about twice as large as those in the regular EUV machines, and the projection system, which carries light from the reticle to the wafer, weighed fully 12 tons, seven times more than before. Zeiss built a new robot-assisted production line to handle these ponderous new beasts. The company says they’re the smoothest surfaces they’ve ever made. At the same time, ASML was working on making its EUV light source even more powerful, to help make the wafer-exposing process go faster. The engineers calculated that they could improve the output of EUV if they hit each tin droplet three times with the laser instead of twice, as they do in the first machine. That meant the already-hectic system of firing tin would need to speed up by 50%. “The lasers just keep getting bigger,” says Alex Schafgans, the head of engineering at ASML in San Diego, where the EUV light source is built. Indeed, the lasers for a single machine now fill an entire room. After Benschop showed me the massive high-NA device, we walked across the hall and entered a chamber filled with hulking six-foot-tall boxes that were part of the laser system. Peering through tiny windows in the sides of the units, we could see the glowing purple plasma used in creating the laser light. When high-NA machines began to roll off the assembly line, one company was waiting hungrily: Intel. The company purchased the very first high-NA machine put up for sale, and in the spring of 2024, 300 ASML engineers showed up in Oregon at one of Intel’s fabs to begin assembling and testing it. “ASML actually put a giant ribbon around one of the boxes,” says Mark Phillips, an Intel fellow who is director of its hardware and lithography solutions, laughing. His team has been testing the machine to see how well it performs; Phillips wouldn’t give details other than to say he’s “very pleased at the rapid pace of tool health.” He also wouldn’t give a date for when Intel would start using it to make chips, though observers say that will likely happen next year. The company plans to ease it in, using it for just a few precision components on a chip and then gradually for more and more. What’s at stake is a chance to recapture its mojo. Intel was once a silicon powerhouse, designing the most cutting-edge CPUs for computers and servers, and building them in its own fabs. But in the 2010s, the big new markets were mobile-phone chips and GPUs for AI and gaming, and Intel rapidly lost ground. Apple designed its own mobile chips (and had TSMC make them), while Nvidia did the same thing with GPUs. Google began banging out its own TSMC-made AI chips called TPUs in 2015, and soon it was stuffing data centers full of them. Intel fellow Mark Phillips briefs members of the media on the high-NA tool at the company’s Fab D1X in Hillsboro, Oregon. Intel was ASML’s first customer for the new EUV machine. COURTESY OF INTEL CORPORATION So in 2021 Intel announced a moonshot. It would aggressively begin building out a foundry business, one that would go toe to toe with TSMC. Instead of creating Intel chips, the Intel foundry would manufacture designs for customers like makers of mobile phones and AI chips. Intel hopes that being the first to wield high-NA technology will give it an edge in the silicon rat race, making it possible to print tiny patterns faster than anyone else. It could also make things simpler for customers. Over the years, while waiting for EUV machines to emerge, chip designers used multi-patterning to squeeze more life out of the older forms of light. Every chip is made out of layers, which are laid down to make components like the switches and wiring. If you’re working on one of those layers and need to make features tinier than your machine can normally produce, you can break the pattern for that layer up into several patterns and then expose the wafer to them one at a time. This strategy helped chipmakers keep using older (and cheaper) machines while still creating tinier and tinier components. But multi-patterning is a hassle: It’s more challenging to design the complex overlay of patterns, and much slower to print each chip. Designing a chip is far easier if you know you can do “single patterning,” blasting each layer in one go. Observers say it won’t be easy to build a foundry business that bests TSMC and Samsung on their own terrain. “Leapfrogging is difficult,” Hijink says. But it’s also true that the high-tech world has such a ravening hunger for better chips that Intel could succeed, simply because even TSMC and Samsung can’t fulfill all that need. “There’s spillover demand, so Intel can survive off that,” Koch says. “It’s not even scraps now. It’s a meal. It may not be the best foundry, but they can make chips, and there’s only three companies that can do that, right?” TSMC, for its part, seems to be biding its time when it comes to high NA. “TSMC will deploy high-NA EUV when it is mature and ready to deliver maximum benefit to our customers,” the company wrote to MIT Technology Review . Some suspect it won’t use the machines in serious volume until the 2030s. Part of the reason is cost: TSMC is ruthlessly focused on producing chips as cost-effectively as possible, and the high-NA tools are a blistering $400 million each, far more than the previous EUV rigs. And unlike those, the new machines are not a revolutionary leap upward. “This is like 30% to 50% better in terms of capability,” says Koch, the analyst and former ASML employee. “This is probably the first tool that hasn’t obviously made business sense right away for ASML.” It’s not that the industry won’t eventually embrace high NA en masse, Koch says. Most companies will need to, if they want to keep going smaller. But TSMC is more likely to push ahead as far as it can go with its existing EUV tools, using onerous multi-patterning to wring as much as it can out of that generation until it absolutely needs to switch. “The industry has only shifted paradigms when it just absolutely cannot extend—even one more little bit—out of what it’s been doing,” Koch says. China isn’t the only party looking to upset the current balance of power. The dominance of ASML, and the swelling cost of its tools, is prompting other upstarts too. But instead of trying to replicate ASML’s breakthroughs in EUV, they’re doing an end run—working on lithography tools that use entirely different forms of light. These will be far cheaper, they promise, and just as powerful. One is Substrate, a San Francisco–based startup. Founded four years ago, it’s working on a tool that uses x-ray light produced by a particle accelerator. X-rays have a remarkably tiny wavelength, making them a potentially powerful way to create minute features. Particle accelerators have historically been enormous, making them difficult to fit into a chipmaking process. Substrate says it has harnessed decades of scientific improvements in particle acceleration to produce a light source that’s smaller and suitable for mass production. Last year the company released images showing that it had created fine patterns, which Proud, the CEO, says are only possible now with a high-NA EUV machine. He says Substrate’s goal is to produce chips at scale by 2030. But Proud doesn’t intend to sell the tools to TSMC or Intel. Indeed, he doesn’t plan to sell them to anyone. Instead, Substrate wants to create its own fab, building chips using its own tools. “The amount of chips we’re going to need is going to be many orders of magnitude larger than even the wildest projections you have now.” James Proud, cofounder and CEO, Substrate The semiconductor industry, Proud argues, needs new approaches, because it’s become too pricey and too centralized. A single fab today can cost $25 billion to build, up from about $5 billion in the 2010s, the company notes. It’s driving the cost of a single wafer full of advanced chips up toward $100,000, Proud says. “That is, I think, a prohibitive cost,” he says. There also isn’t enough capacity in the supply chain: “It’s relatively slow and hard to flex to the current increase in demands.” He admires ASML’s EUV tooling—it’s “the apex implementation of that technology”—but new approaches are needed. That’s partly for national security reasons. Proud and his team think it’s too dangerous for the US to rely on foreign supplies. But he also predicts the current AI boom will go into overdrive, creating a massive demand for chips that the existing ASML\/TSMC duopoly won’t be able to deliver: “The amount of chips we’re going to need is going to be many orders of magnitude larger than even the wildest projections you have now.” ASML’s machines use lasers and molten tin to generate the EUV light. CHRISTOPHER PAYNE Substrate predicts it will be able to produce finished wafers at $10,000 a pop—a tenth of where Proud predicts the rest of the industry is heading. Proud says that’s partly because the company’s system will be vertically integrated, so it will control all parts of the chipmaking process, but also because its lithography tooling will be less complex: “We’re able to put together in a sort of simpler package.” Still, Substrate is playing its cards close to its chest. Unlike ASML, the company isn’t offering nuanced detail on how it generates light, or on how that then translates into making patterns on a wafer. Substrate’s ambitions give some industry observers pause. Hijink, who thinks it is probably “unachievable and impossible” to simultaneously master both a new form of lithography and high-throughput fab techniques, regards the company’s secrecy as a red flag. “This industry is about open innovation,” he says. Koch is more impressed by its ambitions and funding. The type of technology it’s pursuing “is really cool,” he says. “It’s interesting.” But “there’s a long road between lab-scale demonstration and high volume,” he adds. “Is this like an imminent disruption to ASML? Probably not.” Another startup that is aiming to hit the market around the same time as Substrate is Lace Lithography. Based in Norway, it is devising an entirely different approach—one that doesn’t use light at all. Instead, an energized beam of helium atoms is pointed at the pattern on the reticle. When the helium atoms then hit the wafer, the atoms transfer their energy to it, imparting the design to the chip. The idea dates back a while. Bodil Holst, the CEO, took it up in 2008, when she was a physicist studying the use of atom beams. MIT professor Henry “Hank” Smith, a pioneer in using x-rays for lithography, told her she should explore using atoms as a mechanism for making microchips, because back then he wasn’t sure ASML’s EUV moonshot would work. “Even if it does, we’ll need atoms eventually,” he told her. Holst did some experiments to investigate the idea further and partnered with a former PhD student—Adrià Salvador Palau, a physicist and expert in machine learning—to found Lace. Like Substrate’s, its tool is completely different from ASML’s massive machinery. The source of the excited atoms “looks a bit like a rocket motor,” says Palau. “It’s very cool.” While EUV’s wavelength is 13.5 nanometers, the helium atoms offer a precision of 0.1 nanometers. The process also requires far less power, and the machine is intended to be far smaller. Holst tells me the company aims to have machines ready to sell to fabs by 2029 or 2030. “I think everybody’s really looking forward to something that extends a road map beyond light, beyond EUV,” Palau says. ASML is watching these upstarts with curiosity. Benschop says he can’t assess whether Substrate’s technology will work reliably and affordably, because the company hasn’t explained anything about its processes. But he went to a conference where Holst and Palau did a presentation outlining Lace Lithography’s technology. “I’m incredibly impressed with how they do it,” he says. The problem, he says, is he doesn’t think the process produces patterns on the wafer that are deep enough to be useful. “I cannot see how they would scale it to a viable volume product,” he told me. He suspects ASML’s mastery of EUV will keep it on top for the near future. “So far, I have not seen a viable alternative,” he says. He thinks there’s “no serious runner-up” when it comes to volume manufacturing of the most advanced chip generations. It’s true that major shifts in chipmaking are slow, says Chris Miller, a professor of international history at Tufts University and the author of Chip War , a book about the worldwide struggle for dominance in the industry. “No doubt we’ll eventually have alternatives [to EUV],” he told me via e-mail. “But it’s worth noting that lithography transitions have historically taken years, if not decades.” ASML’s executives, too, are pondering their future. Benschop expects high-NA technology to dominate chipmaking into the 2030s. Beyond that? The industry has, indeed, tended to shift to a new form of light every decade. “You may argue it’s time for the next decade,” he told me after we’d stripped off our bunny suits and he was relaxing with a coffee. But ASML’s executives suspect they can continue to squeeze more capabilities out of EUV by increasing the numerical aperture even further on their existing machine. They’re already toying with a design that would take an NA of 0.55 to an NA of 0.75: “hyper NA.” It could let them pattern wafers with a resolution of six nanometers. They’re also working on standardizing their various optics into a platform of a single size, so customers could order one machine outfitted for either regular EUV, high NA, or hyper NA. If it’s all in the same-sized unit, it would simplify the costs and logistics of integrating each into a fab. If the company goes through with it, Benschop figures, the hyper-NA tool might hit the market seven or eight years from now and be sold in volume during the second half of the 2030s. For now, the ball is in ASML’s court. “We’re pushing the limits of physics,” Pieters told me. The question now is whether anyone else can push harder. Clive Thompson is a science and technology journalist based in New York City. He wrote about the development of ASML’s original EUV machine in MIT Technology Review ’s 2021 issue on computing .",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/06\/zeiss-mirror-for-high-na-euv-lithography_689221_2.jpg?w=1936",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/06\/23\/1138837\/asml-400-million-dollar-machine-powering-future-of-chipmaking\/",
            "date": "2026-06-23",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "الآلة التي تبلغ قيمتها 400 مليون دولار تدعم مستقبل صناعة الرقائق",
            "summary_ar": "يتسلق Jos Benschop سلمًا للوصول إلى قمة أحدث أجهزته. إنه قليل من الشليب. يبلغ حجم هذه الأداة الغريبة حجم حافلة ذات طابقين - أكثر من 150 طنًا من الألمنيوم اللامع المطحون بدقة والمغطاة بآلاف الأنابيب المتعرجة والكابلات الملونة والخزانات المضغوطة. ومن الأرض يبدو وكأنه محرك V8 مستقبلي. عندما وصلت إلى القمة مع بينشوب، كنا ننظر إلى الأسفل من ارتفاع حوالي 15 قدمًا في الهواء، وكان الفنيون الذين يرتدون ملابس الأرنب يتجولون في الأسفل. إنها عبارة عن أكثر من 200 متر مكعب من التكنولوجيا - \"أجهزة ميكاترونيكية تحمل بعض المرايا في موضعها بدقة ذرية\"، كما يقول، وهو يشير إلى الجهاز العملاق. أمضى بينشوب، وهو رجل طويل القامة وأشيب يبلغ من العمر 66 عامًا، أكثر من عقد من الزمن في العمل مع مهندسيه لتصميم هذا الشيء، ولكن على الرغم من ذلك، فإنه سيبدو أحيانًا",
            "body_ar": "يتسلق Jos Benschop سلمًا للوصول إلى قمة أحدث أجهزته. إنه قليل من الشليب. يبلغ حجم هذه الأداة الغريبة حجم حافلة ذات طابقين - أكثر من 150 طنًا من الألمنيوم اللامع المطحون بدقة والمغطاة بآلاف الأنابيب المتعرجة والكابلات الملونة والخزانات المضغوطة. ومن الأرض يبدو وكأنه محرك V8 مستقبلي. عندما وصلت إلى القمة مع بينشوب، كنا ننظر إلى الأسفل من ارتفاع حوالي 15 قدمًا في الهواء، وكان الفنيون الذين يرتدون ملابس الأرنب يتجولون في الأسفل. إنها عبارة عن أكثر من 200 متر مكعب من التكنولوجيا - \"أجهزة ميكاترونيكية تحمل بعض المرايا في موضعها بدقة ذرية\"، كما يقول، وهو يشير إلى الجهاز العملاق. أمضى بينشوب، وهو رجل طويل القامة وأشيب يبلغ من العمر 66 عامًا، أكثر من عقد من الزمن في العمل مع مهندسيه لتصميم هذا الشيء، ولكن على الرغم من ذلك، فإنه أحيانًا ما ينظر إليه ويقول: يا إلهي. بينشوب هو نائب الرئيس التنفيذي للتكنولوجيا في شركة ASML، وهي شركة هولندية تعتبر محور صناعة الرقائق الدقيقة. إذا كنت ترغب في صنع رقائق قوية لتشغيل الهواتف أو الذكاء الاصطناعي، فإن آلة الطباعة الحجرية مثل تلك التي نقف عليها هي ما تحتاجه لإنشاء دوائر صغيرة بشكل متزايد. الطباعة الحجرية هي فن وعلم تسليط الضوء على رقاقة السيليكون لتشكيل الترانزستورات والأسلاك والمكونات الأخرى للرقائق الدقيقة التي سيتم قطعها منها. يتم التحكم في مجال صناعة الرقائق بشكل أساسي من قبل اثنين فقط من اللاعبين الكبار: ASML، التي تصنع آلات الطباعة الحجرية، وTSMC، عملاق صناعة الرقائق. منذ تسع سنوات، بدأت ASML في بيع الأجهزة التي تستخدم طريقة جديدة وجريئة لتصميم ميزات الرقائق. تستخدم هذه الآلات الضوء فوق البنفسجي الشديد، أو EUV، وهو إشعاع يقع خارج نطاق الطيف المرئي الذي تنتجه عن طريق إطلاق أشعة الليزر على قطرات صغيرة منصهرة من القصدير، عشرات الآلاف من المرات في الثانية. يمكن لتلك الآلات الأولى - نتيجة رحلة البحث والتطوير التي استمرت 16 عامًا وكلفت حوالي 10 مليارات دولار - أن تصنع ميزات الترانزستور بدقة 13 نانومتر. يمكن لهذه الآلة الجديدة أن تفعل ما هو أفضل: فهي تتمتع بدقة تبلغ ثمانية نانومترات فقط، أي عرض حوالي 40 ذرة سيليكون. يتم شحن الأجهزة الآن إلى مصانع تصنيع الرقائق بسعر باهظ: 400 مليون دولار لكل منها. لكن صانعي الرقائق سوف ينفقون هذه الأموال، لأنهم في سباق يائس لإنتاج رقائق جديدة ومحسنة كل عام. وهذا يعني وضع قفازاتهم على آلات يمكنها تصنيع مكونات أصغر حجمًا ودمجها معًا بشكل أكثر كثافة، وهو جزء من وصفة طويلة الأمد لإنشاء شرائح أسرع وأكثر كفاءة في استخدام الطاقة. لسنوات عديدة، لعبت أدوات ASML دورًا حاسمًا في الحفاظ على قانون مور حيًا. وبدون تكنولوجيا صناعة الرقاقات المتقدمة التي تمتلكها الشركة، فمن المحتمل جدًا أن تكون كثافة الرقاقة - والقدرة على إجراء المزيد من العمليات الحسابية - قد استقرت. أنتجت صناعة الذكاء الاصطناعي طلبا جديدا ومتحمسا على الرقائق الأكثر كثافة، حيث تتدافع شركات مثل OpenAI وAnthropic لإنشاء مزارع خوادم تعمل على تدريب ونشر نماذج جديدة متزايدة القوة، والتي تتطلب أجهزة جديدة وأكثر قوة. تعد أحدث أجهزة ASML بالمساعدة في إبقاء حفل الذكاء الاصطناعي مشتعلًا لمدة عقد آخر على الأقل. قال لي ماركو بيترز، المدير التنفيذي للتكنولوجيا في ASML: \"يمكننا السماح للعملاء بالانتقال إلى ميزات أصغر فأصغر، وهذا يفتح المجال لكل ما نراه الآن في الذكاء الاصطناعي، وهو أمر مذهل للغاية\". \"أعتقد أننا لم نر سوى قمة جبل الجليد.\" إن سعيها المتواصل نحو \"التقليص\" - كما يطلقون عليها في صناعة الرقائق - جعل من ASML قوة مهيمنة: إذ تنتج الشركة حوالي 90% من جميع أدوات الطباعة الحجرية للرقائق في جميع أنحاء العالم. إذا قمت بتصنيع الرقائق، فلا مفر من ASML. لكن هذا الوضع الاحتكاري يجعل بعض الناس والحكومات يشعرون بعدم الارتياح. يتم التحكم في مجال صناعة الرقائق بشكل أساسي من قبل اثنين فقط من اللاعبين الكبار: ASML، التي تصنع آلات الطباعة الحجرية، وTSMC، عملاق صناعة الرقائق في تايوان، والتي تستخدم آلات ASML لتصنيع الغالبية العظمى من جميع الرقائق الدقيقة. وهذا الاحتكار الثنائي قوي للغاية، وله آثار جيوسياسية. وفي محاولة لمنع الصين من تطوير الذكاء الاصطناعي المتقدم، ضغطت الحكومة الأمريكية على الحكومة الهولندية لفرض حظر في عام 2019: لا يُسمح لشركة ASML ببيع الآلات المتطورة لأي شركة صينية. ومن الناحية الجيوسياسية، فإن \"الرقائق هي النفط الجديد\"، كما يقول مارك هيجينك، مؤلف كتاب \"التركيز: طريقة ASML\". والحرمان منها يمكن أن يكون كارثيا مثل الحرمان من النفط. وفي هذا التشبيه، يمكنك القول أن ASML هو مضيق هرمز. يقول جيمس براود، المؤسس المشارك والرئيس التنفيذي لشركة Substrate الناشئة للطباعة الحجرية، إن الوضع ليس مثاليًا. تقول شركة Substrate على موقعها على الإنترنت إن الولايات المتحدة \"تعتمد بشكل خطير\" على سلسلة توريد خارجية وباهظة الثمن بشكل متزايد. يقول براود: \"هناك تركيز كبير في عدد صغير من اللاعبين\". \"وسلسلة التوريد مكلفة للغاية.\" ولهذا السبب، وبعد عقدين من هيمنة ASML، يسعى المنافسون المحتملون الآن للوصول إلى أراضيها. تنفق الصين المليارات بشكل متعطش لمحاولة تكرار تقنية ASML. وتحاول الشركات الناشئة مثل Substrate الدخول إلى اللعبة أيضًا، حيث تضع أنظارها على إنشاء آلات طباعة حجرية أرخص وأصغر حجمًا وأكثر قدرة من أجهزة ASML العملاقة. هل سينجح أي منهم؟ من الواضح أن المستقبل القريب ينتمي إلى ASML، ولكن كما يعلم مهندسوها جيدًا، يمكنك الإطاحة بعملاق بخدعة الضوء الصحيحة. من الغريب أن صنع الرقائق يشبه إلى حد ما طباعة القميص على الحرير. لطباعة نمط على رقاقة السيليكون، عليك أن تبدأ بنمط على شبكاني - قناع يحمل التصميم. تسليط الضوء على شبكاني ينقل هذا النمط إلى الرقاقة. يتفاعل الضوء مع طبقة من المواد الكيميائية الموجودة على الرقاقة، مما يثبت النمط في مكانه. يتم تحديد حجم ميزات الشريحة جزئيًا من خلال الطول الموجي للضوء الذي تستخدمه الآلة: كلما كان الطول الموجي أصغر، كلما كانت الدوائر التي يمكنك إنشاؤها أصغر. يمكنك تمديد قدرات الطول الموجي إلى حد ما؛ إن زيادة ما يعرف بالفتحة الرقمية، والتي تعني عادة التبديل في عدسة أكبر، يمكن أن تزيد من تركيز الضوء وبالتالي وضع أنماط لمكونات أصغر وأصغر. ومع ذلك، في النهاية، وصلت هذه الخدعة إلى الحد الأقصى، وتحتاج إلى العثور على شكل جديد من الضوء بطول موجي أصغر. لذا فإن تاريخ صناعة الرقائق كان عبارة عن رقصة من خطوتين. تجد الصناعة مصدرًا جيدًا للضوء، وفي النهاية تزيد الفتحة الرقمية، ثم تقبل أخيرًا الحاجة إلى طول موجي أصغر، وتبدأ الخطوتين من جديد. حتى أوائل التسعينيات، استخدم صانعو الرقائق الضوء المرئي، بطول موجة يبلغ حوالي 400 نانومتر. بحلول منتصف التسعينيات، قاموا بالترقية إلى الأشعة فوق البنفسجية العميقة، مما أدى في النهاية إلى خفض الطول الموجي إلى 193 نانومتر. وبحلول أواخر التسعينيات، رأوا نهاية الخط يقترب من الأشعة فوق البنفسجية العميقة. ولكن ماذا سيأتي بعد ذلك؟ كل الخيارات كانت مزعجة كان بإمكانهم التحول إلى الأشعة السينية، ذات الطول الموجي الصغير الذي يبلغ نانومترًا واحدًا، لكن كان من الصعب جدًا تركيزها. كانت حزم الإلكترونات والأيونات دقيقة بنفس القدر؛ لكنها عملت مثل الطابعات النقطية، حيث كانت تنقل النمط نقطة بنقطة، وكان ذلك بطيئًا للغاية. (تحتاج صناعة الرقائق إلى آلة قادرة على إنتاج مئات الرقائق في الساعة.) \"إنها شركة ذات ثقل كبير في الهندسة: دعونا نرسل آلاف المهندسين ونجعلهم يحلون هذه المشاكل. وهذا ما فعلوه، وقد نجح\". في عام 2001 تقريبًا، وضع جيف كوخ، المحلل في شركة SemiAnalogy، ASML، التي كانت حينها لاعبًا أصغر في عالم الطباعة الحجرية، رهانه على خيار آخر: الأشعة فوق البنفسجية، بطول موجي قريب من نطاق الأشعة السينية. وكانت شركتا Nikon وCanon تعملان على ذلك أيضًا، لكنهما انسحبتا، بينما استمر ASML في العمل. كانت الفكرة مليئة بالمجهول. لم يكن أحد يعرف كيفية توليد هذا النوع من الضوء بشكل موثوق، ولا كيفية تركيزه؛ يتم امتصاص الأشعة فوق البنفسجية بواسطة العدسات الزجاجية العادية. حتى أنه يمتصه الهواء. اعتقدت ASML أن الأمر سيستغرق ست سنوات كاملة للتغلب على كابوس البحث والتطوير هذا. في الواقع، استغرق الأمر 16 عامًا وحوالي 10 مليارات دولار من الأبحاث، لكنه نجح. الآلة، التي تعمل في الفراغ، تنتج ضوء الأشعة فوق البنفسجية عن طريق تبخير القصدير المنصهر واستخدام المرايا لتوجيهه. اضطرت شركة Zeiss، وهي شركة بصريات ألمانية تاريخية، إلى ابتكار تقنيات جديدة لتلميع المرايا وفحصها، وذلك باستخدام شعاع أيوني لإزالة العيوب الدقيقة. يقول جيف كوخ، الذي كان يعمل لدى ASML وهو الآن محلل في شركة أبحاث صناعة الرقائق SemiAnalogy: \"لقد تجاهلوا نوعًا ما الضجة القائلة، مهلاً، هذا لن ينجح أبدًا، وضربوا رؤوسهم بهذه المشاكل الهندسية الضخمة\". \"إنها شركة ثقيلة للغاية في مجال الهندسة: دعونا نرسل آلاف المهندسين ونجعلهم يحلون هذه المشاكل... \" وهذا ما فعلوه، وقد نجح\". عندما تم طرح أول آلات الأشعة فوق البنفسجية في السوق في عام 2017، كانت تكلفتها أكثر من 100 مليون دولار للقطعة الواحدة. وتساءل بعض المراقبين عما إذا كان الطلب سيكون موجودًا بالفعل من شركات تصنيع الرقائق الكبرى مثل TSMC، وSamsung، وIntel. في السنوات التي كان فيها صانعو الرقائق ينتظرون حدوث الأشعة فوق البنفسجية، طورت صناعة الطباعة الحجرية طرقًا ذكية لتحسين الضوء فوق البنفسجي العميق القديم. (إذا وضعت طبقة من الماء فوق الرقاقة، على سبيل المثال، يمكن أن يركز الضوء بشكل أضيق.) ربما لن تكون هناك حاجة إلى الأشعة فوق البنفسجية لفترة من الوقت؟ لكن ASML حالفه الحظ. بعد سنوات قليلة فقط من ظهور EUV لأول مرة، أصدرت OpenAI GPT-3 ثم ChatGPT. انفجر الذكاء الاصطناعي في الاتجاه السائد. وعلى الفور، كانت شركات مثل OpenAI، وGoogle، وMeta، وAnthropic، متعطشة للرقائق المتطورة بشكل متزايد، حيث قامت ببناء مزارع خوادم ضخمة لتدريب ونشر نماذج لغوية كبيرة. جعلت تقنية EUV من الأسهل والأسرع إنشاء تصميمات شرائح مخصصة للذكاء الاصطناعي. بدأت شركة Nvidia في إنتاج وحدات معالجة الرسومات النخبة - وهي معالجات مناسبة تمامًا للتدريب على الذكاء الاصطناعي - بتكلفة 40 ألف دولار أمريكي؛ ولم تتمكن الشركات الكبرى من الحصول على ما يكفي. كانت حروب الذكاء الاصطناعي مستمرة، وكان الطلب على الأشعة فوق البنفسجية (EUV) مطلوبًا. في عام 2025، تقول ASML، إنها باعت ما يقرب من 50 آلة تعمل بالأشعة فوق البنفسجية للشركات وحققت إيرادات تبلغ حوالي 40 مليار دولار. وحتى وقت كتابة المقالة، بلغت القيمة السوقية للشركة أكثر من نصف تريليون دولار. لا تعاني أجهزة ASML الجديدة من نقص في العملاء المحتملين. ولكن هناك دولة على وجه الخصوص، ذات جيوب عميقة، لا تستطيع شراءها بأي مبلغ من المال: الصين. تريد الولايات المتحدة تقييد قدرة الصين على إنشاء رقائق الذكاء الاصطناعي المتطورة - أو أي رقائق متقدمة، في هذا الشأن. لذلك عندما بدأت شركة ASML في بيع أجهزتها الأصلية العاملة بالأشعة فوق البنفسجية، في عام 2017، نجحت إدارة ترامب في الضغط على الحكومة الهولندية لمنع الشركة من بيعها لأي شركة صينية. وفرضت الولايات المتحدة أيضًا ضوابط التصدير على شركة الاتصالات الصينية العملاقة هواوي، ومنعت الشركات الأمريكية من استخدام معدات الجيل الرابع والخامس الخاصة بها. وقد أثارت هذه اللكمة المتبادلة حفيظة الحكومة الصينية ودفعتها إلى التحرك. تنفق الصين الآن المليارات من أجل اللحاق بالركب ومحاولة تطوير تقنية تصميم الرقائق بالأشعة فوق البنفسجية الخاصة بها. وجد تقرير لرويترز في الشتاء الماضي أن إحدى الشركات الحكومية التي توظف موظفين سابقين في ASML قامت بتجميع آلة ضخمة جدًا لدرجة أنها ملأت أرضية المختبر بالكامل. من غير الواضح مدى نجاحه. يقول هيجنك إن التجربة ربما تكون في طريقها إلى صنع بعض الرقائق، لكنه يشك في إمكانية القيام بذلك على نطاق صناعي. تم تركيب مرآة في النظام البصري لجهاز NA العالي. رسميًا، أنكرت الحكومة أنها كانت تسعى لتطوير تكنولوجيا الأشعة فوق البنفسجية. وقد استهزأت افتتاحية صحيفة جلوبال تايمز ــ وهي صحيفة متحالفة بشكل وثيق مع الحكومة الصينية ــ بالتقرير، زاعمة أن الصين لا تزال سعيدة بالعمل مع الغرب للحصول على الرقائق. وذكر التقرير أن \"هدفنا لم يكن قط بناء \"جزيرة تكنولوجية\" مكتفية ذاتيا في عزلة، بل على أساس تحقيق الاستقلالية والسيطرة على التكنولوجيات الرئيسية، الاندماج بشكل أكثر عمقا وعلى قدم المساواة في شبكة الابتكار العالمية\". ويقول الخبراء إن الواقع في المنتصف. من المؤكد أن الصين تتوق إلى القدرة المحلية على صنع رقائق متطورة. وعلى عكس ASML، فهي لا تحتاج إلى أن تكون آلات الأشعة فوق البنفسجية الخاصة بها فعالة ومربحة، حيث تنتج حوالي 200 رقاقة في الساعة. ومن شأن أي إنتاج أن يساعد في تقليص اعتمادها على الغرب. يقول كوخ: \"سيكونون سعداء جدًا بامتلاك أداة تنتج رقاقة واحدة في الساعة وسيكلفهم تشغيلها ثروة\". \"سوف يبنون موقعًا رائعًا باستخدام الآلاف من هؤلاء وسيكونون سعداء جدًا به.\" ومع ذلك، فإن إنتاج وإدارة ضوء الأشعة فوق البنفسجية بشكل جيد هو إنجاز قد يستغرق سنوات، كما أخبرني البعض. في هذه الأثناء، سيعتمد الصينيون بشدة على الطباعة الحجرية العميقة فوق البنفسجية، التي تم تطويرها في التسعينيات، لتحقيق أقصى استفادة من نهج بديل ولكن أبطأ يُعرف باسم الأنماط المتعددة، كما يقول ديفيد لين، كبير مستشاري القيادة التقنية في مشروع الدراسات التنافسية الخاصة، وهو مركز أبحاث يركز على الأمن والتكنولوجيا. يقول لين: \"سوف يدفعون DUV إلى الحدود المطلقة\". ويدفع سباق الذكاء الاصطناعي الصين أيضًا إلى ابتكار طرق أكثر ذكاءً لتطوير برامج ماجستير إدارة الأعمال التي لا تعتمد على أسرع شرائح الذكاء الاصطناعي. وفي الولايات المتحدة، تتقاتل شركات OpenAI وAnthropic وGoogle حول من يمكنه شراء أكبر أكوام من رقائق Nvidia الساخنة. وبما أن الصين لا تستطيع المنافسة بهذه الطريقة، فهي لا تبتكر في مجال الأجهزة بل في مجال البرمجيات، فتبني برامج ماجستير إدارة أعمال خفيفة الوزن مثل DeepSeek. وبينما تتجه الصين نحو العمل، ظلت شركة ASML تركز على التقليص. قرر بينشوب ومهندسوه أن يصبحوا أصغر حجمًا، ولن يتحولوا إلى شكل جديد من الضوء. سينفذون الجزء الثاني من الخطوتين: سيرفعون الفتحة الرقمية للآلة بأكثر من النصف (بالنسبة لأولئك الذين يتتبعون الأرقام المحددة، سيكون ذلك عبارة عن تبديل من NA بقيمة 0.33 إلى NA بقيمة 0.55). وهذا من شأنه أن يسمح لهم بتقليص حجم الترانزستورات بما يقرب من النصف وزيادة كثافتها على الشريحة إلى ثلاثة أضعاف. سيكون هذا أيضًا تسلقًا أسهل. ومن دون الحاجة إلى تطوير مصدر جديد تمامًا للضوء، فإن الآلة الجديدة - المستندة إلى فتحة رقمية عالية EUV، أو \"NA High NA\" - ستكون تطورية وليست ثورية. ومع ذلك، فإن بناء النظام الجديد يمثل بعض التحديات الصعبة. في آلة الأشعة فوق البنفسجية، الطريقة التي تنقل بها الصورة إلى الرقاقة هي عن طريق تسليط الضوء على نمط الرقاقة الدقيقة الموجود على الشبكة ثم استخدام نظام بصري لالتقاط الضوء المنعكس وإزالة تكبير هذا النمط، وتقليصه إلى الحجم الذي تريده على الرقاقة. يضرب الضوء جزءًا فقط من الشبكة في أي وقت، لذا يمكنك تحريك الشبكة بسرعة ذهابًا وإيابًا لتعريض كل جزء من النموذج للضوء. الانتقال إلى فتحة رقمية أعلى يعني أنه يمكن أن يكون لديهم ميزات أصغر على الشبكة. لكن هذا يعني أيضًا أن بعض الضوء سيصل إلى الشبكة وينعكس عنها بزاوية أكثر انحدارًا. وهذا ما سبب المشاكل. النمط الموجود على الشبكة ثلاثي الأبعاد، لذا فإن الضوء الذي يصل إلى مثل هذه الزاوية شديدة الانحدار يسبب الظلال - تمامًا كما يخلق ضوء الشمس المائل الظلال في جراند كانيون. وقد أدى ذلك إلى تقليل قدرة الآلة على تكوين أنماط واضحة. تتحرك الشبكة الجديدة بتسارع يصل إلى 22 جم، وهو أسرع بكثير من جهاز EUV الأصلي للشركة. \"لا تحاول الجلوس عليه، لأنك سوف تفقد الوعي.\" كان الحل هو تغيير النمط الموجود على الشبكة، بالإضافة إلى الطريقة التي تأخذ بها المرايا الضوء وتقلصه لنقل النمط إلى الرقاقة. سيكون طول التصميمات الموجودة على الشبكة الآن ضعف عرضها - ممتدة، إذا جاز التعبير، في بُعد واحد. لكن هذا التصميم جاء بمشاكله الخاصة. تعني التغييرات في المرايا أن المساحة الموجودة على الرقاقة المكشوفة خلال عملية مسح واحدة كانت نصف الحجم الذي كانت عليه مع أجهزة الأشعة فوق البنفسجية الأصلية، مما يقلل من سرعة النظام. ولم تكن ASML قادرة على تحمل أي تباطؤ: كان صانعو الرقائق يدفعون ثمن الآلات ذات الإنتاجية الهائلة، حوالي 200 رقاقة في الساعة. إذا تباطأ جزء من النظام، فسيتعين على جزء آخر تسريعه. قرر المهندسون أن الآلة يجب أن تحرك الشبيكة بشكل أسرع، مما يعني جعل الآلية بأكملها أخف وزنًا وإعادة تصميمها بشكل كبير. تتحرك الشبكة الجديدة بتسارع يصل إلى 22 جم، وهو أسرع بكثير من جهاز EUV الأصلي للشركة. قال لي بيترز: \"لا تحاول الجلوس عليه، لأنك ستفقد الوعي\". تتحرك مرحلة الرقاقة بشكل أسرع أيضًا، جنبًا إلى جنب مع الشبكة. وفي الوقت نفسه، في ألمانيا، كان مهندسو زايس مشغولين بتصميم المرايا لاستيعاب الفتحة الرقمية الأعلى والشكل غير المتماثل للضوء. سيكون حجم المرايا الجديدة حوالي ضعف حجم تلك الموجودة في آلات الأشعة فوق البنفسجية العادية، كما أن نظام الإسقاط، الذي يحمل الضوء من الشبكة إلى الرقاقة، يزن 12 طنًا بالكامل، أي سبع مرات أكثر من ذي قبل. قام زايس ببناء خط إنتاج جديد بمساعدة الروبوت للتعامل مع هذه الوحوش الجديدة الثقيلة. تقول الشركة إنها الأسطح الأكثر نعومة التي صنعتها على الإطلاق. وفي الوقت نفسه، كانت ASML تعمل على جعل مصدر ضوء الأشعة فوق البنفسجية (UV) الخاص بها أكثر قوة، للمساعدة في تسريع عملية كشف الرقاقة. وقد حسب المهندسون أن بإمكانهم تحسين إنتاج الأشعة فوق البنفسجية إذا ضربوا كل قطرة من القصدير ثلاث مرات بالليزر بدلاً من مرتين، كما فعلوا في الجهاز الأول. وهذا يعني أن نظام حرق القصدير المحموم بالفعل سيحتاج إلى تسريع بنسبة 50%. يقول أليكس شافجانز، رئيس قسم الهندسة في شركة ASML في سان دييجو، حيث يتم بناء مصدر ضوء الأشعة فوق البنفسجية: \"إن أشعة الليزر تستمر في التزايد\". وفي الواقع، فإن أشعة الليزر المستخدمة في جهاز واحد تملأ الآن غرفة بأكملها. بعد أن أراني بينشوب جهاز الـ NA الضخم، مشينا عبر القاعة ودخلنا غرفة مليئة بصناديق ضخمة يبلغ طولها ستة أقدام والتي كانت جزءًا من نظام الليزر. ومن خلال النوافذ الصغيرة الموجودة في جوانب الوحدات، يمكننا رؤية البلازما الأرجوانية المتوهجة المستخدمة في إنتاج ضوء الليزر. عندما بدأت الأجهزة ذات نسبة زمالة المدمنين المجهولين (NA) في الخروج من خط التجميع، كانت إحدى الشركات تنتظر بفارغ الصبر: شركة إنتل. اشترت الشركة أول آلة عالية NA معروضة للبيع، وفي ربيع عام 2024، ظهر 300 مهندس ASML في ولاية أوريغون في إحدى مصانع Intel لبدء تجميعها واختبارها. يقول مارك فيليبس، زميل إنتل ومدير حلول الأجهزة والطباعة الحجرية، ضاحكًا: \"لقد وضعت ASML في الواقع شريطًا عملاقًا حول أحد الصناديق\". كان فريقه يختبر الآلة لمعرفة مدى جودة أدائها؛ ولم يقدم فيليبس تفاصيل سوى القول بأنه \"مسرور جدًا بالوتيرة السريعة لصحة الأداة\". كما أنه لم يحدد موعدًا لبدء إنتل في استخدامه لصنع الرقائق، على الرغم من أن المراقبين يقولون إن ذلك سيحدث على الأرجح في العام المقبل. وتخطط الشركة لتسهيل الأمر، وذلك باستخدامه لعدد قليل من المكونات الدقيقة على الشريحة ثم تدريجيًا للمزيد والمزيد. ما هو على المحك هو فرصة لاستعادة سحرها. كانت شركة Intel ذات يوم شركة قوية في مجال السيليكون، حيث قامت بتصميم أحدث وحدات المعالجة المركزية لأجهزة الكمبيوتر والخوادم، وقامت ببنائها في مصانعها الخاصة. ولكن في العقد الأول من القرن الحادي والعشرين، كانت الأسواق الجديدة الكبيرة تتمثل في شرائح الهاتف المحمول ووحدات معالجة الرسوميات للذكاء الاصطناعي والألعاب، وسرعان ما فقدت شركة إنتل مكانتها. صممت شركة Apple شرائح الهاتف المحمول الخاصة بها (وقامت شركة TSMC بتصنيعها)، بينما فعلت Nvidia نفس الشيء مع وحدات معالجة الرسومات. بدأت شركة جوجل في إنتاج شرائح الذكاء الاصطناعي الخاصة بها من صنع شركة TSMC والتي تسمى TPUs في عام 2015، وسرعان ما قامت بملء مراكز البيانات بها. يطلع مارك فيليبس، زميل إنتل، أعضاء وسائل الإعلام على أداة High-NA في Fab D1X التابع للشركة في هيلزبورو بولاية أوريغون. كانت Intel أول عميل لـ ASML لجهاز EUV الجديد. بإذن من شركة إنتل لذلك في عام 2021، أعلنت شركة إنتل عن انطلاقتها نحو القمر. ستبدأ بقوة في إنشاء شركة مسبك، والتي من شأنها أن تتنافس مع TSMC. وبدلاً من إنشاء شرائح إنتل، سيقوم مسبك إنتل بتصنيع تصميمات للعملاء مثل صانعي الهواتف المحمولة وشرائح الذكاء الاصطناعي. وتأمل شركة إنتل أن كونها أول من استخدم تقنية NA العالية سيمنحها ميزة في سباق الفئران السيليكوني، مما يجعل من الممكن طباعة أنماط صغيرة بشكل أسرع من أي شخص آخر. ويمكن أيضًا أن يجعل الأمور أسهل للعملاء. على مر السنين، أثناء انتظار ظهور آلات الأشعة فوق البنفسجية، استخدم مصممو الرقائق أنماطًا متعددة لإضفاء المزيد من الحياة على الأشكال القديمة للضوء. تتكون كل شريحة من طبقات يتم وضعها لتكوين مكونات مثل المفاتيح والأسلاك. إذا كنت تعمل على إحدى هذه الطبقات وتحتاج إلى جعل ميزات أصغر مما يمكن لجهازك إنتاجه عادةً، فيمكنك تقسيم نمط تلك الطبقة إلى عدة أنماط ثم تعريض الرقاقة لهم واحدًا تلو الآخر. ساعدت هذه الإستراتيجية صانعي الرقائق على الاستمرار في استخدام الأجهزة الأقدم (والأرخص) مع الاستمرار في إنشاء مكونات أصغر وأصغر. لكن تعدد الأنماط يمثل مشكلة: فمن الصعب تصميم التراكب المعقد للأنماط، كما أن طباعة كل شريحة أبطأ بكثير. يعد تصميم الشريحة أسهل بكثير إذا كنت تعرف أنه يمكنك عمل \"نمط فردي\"، وتفجير كل طبقة دفعة واحدة. يقول المراقبون إنه لن يكون من السهل إنشاء شركة مسبك تتفوق على TSMC وSamsung في مجالها الخاص. يقول هيجينك: \"إن تحقيق القفزات أمر صعب\". ولكن من الصحيح أيضًا أن عالم التكنولوجيا الفائقة لديه جوع شديد للحصول على شرائح أفضل يمكن لشركة إنتل أن تنجح فيها، وذلك ببساطة لأنه حتى TSMC وسامسونج لا تستطيعان تلبية كل هذه الاحتياجات. يقول كوخ: \"هناك طلب غير مباشر، لذا تستطيع شركة إنتل البقاء على قيد الحياة من خلال ذلك\". \"إنها ليست حتى قصاصات الآن. إنها وجبة. \" قد لا يكون أفضل مسبك، لكنهم يستطيعون صنع الرقائق، وهناك ثلاث شركات فقط يمكنها فعل ذلك، أليس كذلك؟\" يبدو أن TSMC، من جانبها، تنتظر وقتها عندما يتعلق الأمر بارتفاع NA. وكتبت الشركة إلى MIT Technology Review: \"ستقوم TSMC بنشر طاقة NA EUV عالية عندما تكون ناضجة وجاهزة لتقديم أقصى فائدة لعملائنا\". ويشك البعض في أنها لن تستخدم الآلات بكميات كبيرة حتى ثلاثينيات القرن الحالي. جزء من السبب هو التكلفة: تركز شركة TSMC بشدة على إنتاج الرقائق بأقصى قدر ممكن من الفعالية من حيث التكلفة، وتبلغ تكلفة الأدوات عالية NA 400 مليون دولار لكل منها، وهو أكثر بكثير من منصات EUV السابقة. وعلى النقيض من تلك الآلات، فإن الآلات الجديدة لا تمثل قفزة ثورية إلى الأعلى. يقول كوتش، المحلل والموظف السابق في ASML: \"يعتبر هذا أفضل بنسبة 30% إلى 50% من حيث القدرة\". \"ربما تكون هذه هي الأداة الأولى التي لم تكن منطقية من الناحية التجارية على الفور بالنسبة لـ ASML.\" يقول كوخ إن الأمر لا يعني أن الصناعة لن تتبنى في النهاية زمالة المدمنين المجهولين بشكل جماعي. ستحتاج معظم الشركات إلى ذلك، إذا أرادت الاستمرار في العمل بشكل أصغر. لكن من المرجح أن تمضي TSMC قدمًا إلى أقصى حد يمكنها الذهاب إليه باستخدام أدوات الأشعة فوق البنفسجية الحالية الخاصة بها، وذلك باستخدام أنماط متعددة مرهقة لانتزاع أكبر قدر ممكن من هذا الجيل حتى تحتاج تمامًا إلى التبديل. يقول كوخ: \"لقد غيرت الصناعة نماذجها فقط عندما كانت غير قادرة على الإطلاق على التوسع - ولو قليلاً - مما كانت تفعله\". والصين ليست الطرف الوحيد الذي يسعى إلى الإخلال بتوازن القوى الحالي. إن هيمنة ASML، والتكلفة المتزايدة لأدواتها، تدفع شركات ناشئة أخرى أيضًا. ولكن بدلًا من محاولة تكرار إنجازات ASML في الأشعة فوق البنفسجية، فإنهم يبذلون قصارى جهدهم، حيث يعملون على أدوات الطباعة الحجرية التي تستخدم أشكالًا مختلفة تمامًا من الضوء. ويعدون بأن هذه الأجهزة ستكون أرخص بكثير، وستكون بنفس القوة. إحداهما هي شركة Substrate، وهي شركة ناشئة مقرها سان فرانسيسكو. تأسست قبل أربع سنوات، وهي تعمل على أداة تستخدم ضوء الأشعة السينية الناتج عن مسرع الجسيمات. تمتلك الأشعة السينية طولًا موجيًا صغيرًا بشكل ملحوظ، مما يجعلها وسيلة قوية محتملة لإنشاء ميزات دقيقة. لقد كانت مسرعات الجسيمات تاريخيًا هائلة، مما جعل من الصعب دمجها في عملية صناعة الرقائق. تقول شركة Substrate إنها سخرت عقودًا من التحسينات العلمية في تسريع الجسيمات لإنتاج مصدر ضوء أصغر حجمًا ومناسب للإنتاج الضخم. في العام الماضي، أصدرت الشركة صورًا توضح أنها ابتكرت أنماطًا دقيقة، والتي يقول الرئيس التنفيذي براود إنها ممكنة الآن فقط باستخدام جهاز عالي NA EUV. ويقول إن هدف Substrate هو إنتاج الرقائق على نطاق واسع بحلول عام 2030. لكن Proud لا ينوي بيع الأدوات إلى TSMC أو Intel. وفي الواقع، فهو لا يخطط لبيعها لأي شخص. بدلاً من ذلك، تريد Substrate إنشاء مصنعها الخاص، وبناء الرقائق باستخدام أدواتها الخاصة. \"كمية الرقائق التي سنحتاجها ستكون أكبر بعدة مرات حتى من أعنف التوقعات لديك الآن.\" جيمس براود، المؤسس المشارك والرئيس التنفيذي لشركة Substrate، يقول براود إن صناعة أشباه الموصلات تحتاج إلى أساليب جديدة، لأنها أصبحت باهظة الثمن ومركزية للغاية. تشير الشركة إلى أن تكلفة بناء مصنع واحد اليوم يمكن أن تصل إلى 25 مليار دولار، ارتفاعًا من حوالي 5 مليارات دولار في العقد الأول من القرن الحادي والعشرين. ويقول براود إن ذلك يرفع تكلفة شريحة واحدة مليئة بالرقائق المتقدمة إلى نحو 100 ألف دولار. ويقول: \"أعتقد أن هذه تكلفة باهظة\". كما لا توجد قدرة كافية في سلسلة التوريد: \"إنها بطيئة نسبيًا ومن الصعب التكيف مع الزيادة الحالية في الطلب\". إنه معجب بأدوات ASML EUV - إنها \"التنفيذ الرئيسي لهذه التكنولوجيا\" - ولكن هناك حاجة إلى أساليب جديدة. ويرجع ذلك جزئيًا إلى أسباب تتعلق بالأمن القومي. ويعتقد براود وفريقه أن اعتماد الولايات المتحدة على الإمدادات الأجنبية أمر خطير للغاية. لكنه يتوقع أيضًا أن طفرة الذكاء الاصطناعي الحالية ستذهب إلى أبعد الحدود، مما يخلق طلبًا هائلاً على الرقائق التي لن يتمكن الاحتكار الثنائي الحالي لـ ASML\/TSMC من توفيرها: \"إن كمية الرقائق التي سنحتاجها ستكون أكبر بكثير من أضخم التوقعات التي لدينا الآن\". تستخدم آلات ASML الليزر والقصدير المنصهر لتوليد ضوء الأشعة فوق البنفسجية. ويتوقع كريستوفر باين سابستراتي أنها ستكون قادرة على إنتاج رقائق جاهزة بسعر 10 آلاف دولار للقطعة الواحدة، وهو عُشر ما تتوقع شركة براود أن تتجه إليه بقية الصناعة. يقول براود إن هذا يرجع جزئيًا إلى أن نظام الشركة سيكون متكاملاً رأسيًا، لذلك سيتحكم في جميع أجزاء عملية صناعة الرقائق، ولكن أيضًا لأن أدوات الطباعة الحجرية الخاصة به ستكون أقل تعقيدًا: \"نحن قادرون على التجميع في نوع من الحزمة الأبسط\". ومع ذلك، لا تزال شركة Substrate تلعب أوراقها بالقرب من صدرها. على عكس ASML، لا تقدم الشركة تفاصيل دقيقة حول كيفية توليد الضوء، أو حول كيفية ترجمة ذلك بعد ذلك إلى صنع أنماط على الرقاقة. طموحات الركيزة تجعل بعض مراقبي الصناعة يتوقفون. هيجينك، الذي يعتقد أنه ربما \"من غير الممكن والمستحيل\" إتقان شكل جديد من الطباعة الحجرية وتقنيات التصنيع عالية الإنتاجية في نفس الوقت، يعتبر سرية الشركة بمثابة علامة حمراء. ويقول: \"هذه الصناعة تدور حول الابتكار المفتوح\". وأبدى كوخ إعجابه أكثر بطموحاته وتمويله. ويقول إن نوع التكنولوجيا التي تسعى إلى تحقيقها \"رائعة حقًا\". \"إنه أمر مثير للاهتمام.\" ويضيف: \"هناك طريق طويل بين العرض على نطاق المختبر والحجم الكبير\". \"هل هذا بمثابة تعطيل وشيك لـ ASML؟ ربما لا.\" شركة ناشئة أخرى تهدف إلى الوصول إلى السوق في نفس الوقت تقريبًا مع Substrate هي Lace Lithography. ومقرها في النرويج، تبتكر الشركة نهجًا مختلفًا تمامًا، نهجًا لا يستخدم الضوء على الإطلاق. وبدلاً من ذلك، يتم توجيه شعاع نشط من ذرات الهيليوم نحو النمط الموجود على الشبكة. وعندما تصطدم ذرات الهيليوم بالرقاقة، تنقل الذرات طاقتها إليها، لتنقل التصميم إلى الشريحة. الفكرة تعود إلى فترة من الزمن. تناولت بوديل هولست، الرئيسة التنفيذية، هذا الموضوع في عام 2008، عندما كانت فيزيائية تدرس استخدام الأشعة الذرية. أخبرها البروفيسور في معهد ماساتشوستس للتكنولوجيا، هنري \"هانك\" سميث، وهو رائد في استخدام الأشعة السينية للطباعة الحجرية، أن عليها أن تستكشف استخدام الذرات كآلية لصنع الرقائق الدقيقة، لأنه في ذلك الوقت لم يكن متأكدًا من نجاح مشروع ASML EUV. وقال لها: «حتى لو حدث ذلك، فسنحتاج إلى الذرات في نهاية المطاف». أجرى هولست بعض التجارب للتحقيق في الفكرة بشكل أكبر، وشارك مع طالبة دكتوراه سابقة -أدريا سلفادور بالاو، وهي فيزيائية وخبير في التعلم الآلي- لتأسيس ليس. وكما هو الحال مع أداة Substrate، فإن أداتها مختلفة تمامًا عن آلات ASML الضخمة. ويقول بالاو إن مصدر الذرات المثارة \"يشبه إلى حد ما محرك الصاروخ\". \"إنه رائع جدًا.\" في حين أن الطول الموجي للأشعة فوق البنفسجية يبلغ 13.5 نانومتر، فإن ذرات الهيليوم توفر دقة تبلغ 0.1 نانومتر. وتتطلب العملية أيضًا طاقة أقل بكثير، ومن المفترض أن تكون الآلة أصغر بكثير. أخبرني هولست أن الشركة تهدف إلى الحصول على آلات جاهزة للبيع للمصانع بحلول عام 2029 أو 2030. يقول بالاو: \"أعتقد أن الجميع يتطلع حقًا إلى شيء يوسع خريطة الطريق إلى ما هو أبعد من الضوء، إلى ما هو أبعد من الأشعة فوق البنفسجية\". تراقب ASML هذه الشركات الناشئة بفضول. يقول بينشوب إنه لا يستطيع تقييم ما إذا كانت تقنية Substrate ستعمل بشكل موثوق وبأسعار معقولة، لأن الشركة لم تشرح أي شيء عن عملياتها. لكنه ذهب إلى مؤتمر حيث قدم هولست وبالاو عرضًا تقديميًا يوضح تقنية الطباعة الحجرية الدانتيل. يقول: \"أنا معجب للغاية بالطريقة التي يفعلون بها ذلك\". ويقول إن المشكلة هي أنه لا يعتقد أن العملية تنتج أنماطًا على الرقاقة تكون عميقة بما يكفي لتكون مفيدة. قال لي: \"لا أستطيع أن أرى كيف يمكنهم توسيع نطاقه إلى منتج قابل للتطبيق بكميات كبيرة\". إنه يشك في أن إتقان ASML لـ EUV سيبقيه في المقدمة في المستقبل القريب. ويقول: \"حتى الآن، لم أر بديلاً قابلاً للتطبيق\". وهو يعتقد أنه \"لا يوجد منافس جدي\" عندما يتعلق الأمر بتصنيع كميات كبيرة من أجيال الرقائق الأكثر تقدمًا. صحيح أن التحولات الكبرى في صناعة الرقائق بطيئة، كما يقول كريس ميلر، أستاذ التاريخ الدولي في جامعة تافتس ومؤلف كتاب Chip War، وهو كتاب عن الصراع العالمي من أجل الهيمنة على الصناعة. قال لي عبر البريد الإلكتروني: \"لا شك أنه سيكون لدينا في نهاية المطاف بدائل [لـ EUV]\". \"لكن تجدر الإشارة إلى أن التحولات في الطباعة الحجرية استغرقت تاريخيًا سنوات، إن لم يكن عقودًا\". ويفكر المسؤولون التنفيذيون في ASML أيضًا في مستقبلهم. يتوقع بينشوب أن تهيمن تكنولوجيا NA العالية على صناعة الرقائق في ثلاثينيات القرن الحالي. أبعد من ذلك؟ في الواقع، تميل الصناعة إلى التحول إلى شكل جديد من الضوء كل عقد من الزمان. \"قد تجادل بأن الوقت قد حان للعقد القادم\"، أخبرني بعد أن جردنا من ملابسنا وكان يسترخي مع القهوة. لكن المسؤولين التنفيذيين في ASML يشتبهون في أن بإمكانهم الاستمرار في استخلاص المزيد من القدرات من الأشعة فوق البنفسجية عن طريق زيادة الفتحة الرقمية بشكل أكبر على أجهزتهم الحالية. إنهم يتلاعبون بالفعل بتصميم من شأنه أن يأخذ NA من 0.55 إلى NA من 0.75: \"NA مفرط\". ويمكن أن يسمح لهم بتشكيل الرقائق بدقة تصل إلى ستة نانومتر. إنهم يعملون أيضًا على توحيد بصرياتهم المختلفة في منصة ذات حجم واحد، بحيث يمكن للعملاء طلب جهاز واحد مجهز إما بـ EUV العادي، أو NA العالي، أو NA المفرط. إذا كان كل شيء في وحدة بنفس الحجم، فسيؤدي ذلك إلى تبسيط التكاليف والخدمات اللوجستية لدمج كل منها في مصنع رائع. إذا استمرت الشركة في ذلك، كما يقول بينشوب، فإن أداة فرط NA قد تصل إلى السوق بعد سبع أو ثماني سنوات من الآن وسيتم بيعها بكميات كبيرة خلال النصف الثاني من ثلاثينيات القرن الحالي. في الوقت الحالي، الكرة في ملعب ASML. قال لي بيترز: \"نحن ندفع حدود الفيزياء\". والسؤال الآن هو ما إذا كان أي شخص آخر يستطيع أن يضغط بقوة أكبر. كلايف طومسون صحفي متخصص في العلوم والتكنولوجيا مقيم في مدينة نيويورك. وقد كتب عن تطوير جهاز ASML الأصلي بتقنية EUV في عدد 2021 من مجلة MIT Technology Review حول الحوسبة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2026\/04\/27\/data-center-demand-drives-66-surge-in-natural-gas-power-plant-costs\/",
            "title_en": "Data center demand drives 66% surge in natural gas power plant costs",
            "summary_en": "Natural gas power plant costs have nearly doubled in two years and take 23% longer to build as data center electricity demand skyrockets.",
            "body_en": "Natural gas power plant costs have nearly doubled in two years and take 23% longer to build as data center electricity demand skyrockets.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2024\/12\/GettyImages-155376474.jpeg?resize=1200,800",
            "source_url": "https:\/\/techcrunch.com\/2026\/04\/27\/data-center-demand-drives-66-surge-in-natural-gas-power-plant-costs\/",
            "date": "2026-04-27",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يؤدي الطلب على مراكز البيانات إلى زيادة بنسبة 66% في تكاليف محطات توليد الطاقة بالغاز الطبيعي",
            "summary_ar": "تضاعفت تكاليف محطات توليد الطاقة بالغاز الطبيعي تقريبًا خلال عامين واستغرق بناؤها وقتًا أطول بنسبة 23% مع ارتفاع الطلب على الكهرباء في مراكز البيانات.",
            "body_ar": "تضاعفت تكاليف محطات توليد الطاقة بالغاز الطبيعي تقريبًا خلال عامين واستغرق بناؤها وقتًا أطول بنسبة 23% مع ارتفاع الطلب على الكهرباء في مراكز البيانات.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/enterprises-lost-claude-fable-5-for-a-few-weeks-new-data-shows-two-thirds-had-already-built-their-hedge",
            "title_en": "Enterprises lost Claude Fable 5 for a few weeks. New data shows two-thirds had already built their hedge",
            "summary_en": "Two-thirds of enterprises have hedged their AI model strategy, and the past few weeks of controversy around Anthropic’s Claude Fable 5 model showed why that posture has gone mainstream. On June 12, a U.S. export-control order pulled Anthropic's Claude Fable 5 — the most capable model on the market — offline for every customer, with no warning and no timeline. It returned this week wrapped in tighter safeguards , after China's Z.ai released its open-weights GLM-5.2 into the vacuum . New VentureBeat Pulse Research, which surveyed 145 enterprises across these last few weeks, shows that two-thirds had already hedged their model strategy before the order came down: 51% blend closed frontier models with open-weight models deployed on their own infrastructure, and another 16% are moving",
            "body_en": "Two-thirds of enterprises have hedged their AI model strategy, and the past few weeks of controversy around Anthropic’s Claude Fable 5 model showed why that posture has gone mainstream. On June 12, a U.S. export-control order pulled Anthropic's Claude Fable 5 — the most capable model on the market — offline for every customer, with no warning and no timeline. It returned this week wrapped in tighter safeguards , after China's Z.ai released its open-weights GLM-5.2 into the vacuum . New VentureBeat Pulse Research, which surveyed 145 enterprises across these last few weeks, shows that two-thirds had already hedged their model strategy before the order came down: 51% blend closed frontier models with open-weight models deployed on their own infrastructure, and another 16% are moving core workflows off closed APIs entirely. The remaining third was all-in on closed ecosystems when the lights went out. The blackout put a spotlight on vendor dependency, by showing what happens when the model you rely on disappears. But vendor dependency is only the most visible piece of a deeper problem: Most enterprises lack the monitoring to know when an AI system they've put into production stops working correctly. Just 1 in 10 enterprises has automated monitoring that would catch an AI model drifting, misbehaving, or failing in production. Roughly a quarter would learn of a production failure only when end users — internal or external — report it, or lack the visibility to detect it at all. And 79% of enterprise organizations have already taken a real financial or operational hit from autonomous agents — most often shadow AI, unauthorized agentic work run by enterprises' own employees on corporate credit cards, outside anyone's oversight. We call this the “Control Gap,” or the distance between how aggressively enterprises are deploying AI and how little of it they can see, own, or govern. June’s blackout turned this into a live stress test. About this data: VentureBeat Pulse Research surveyed 145 qualified respondents at organizations with 100 or more employees in June 2026, with fielding spanning the Fable 5 blackout that began June 12. The sample is self-selected and directional: 41% work in technology\/software, 20% are consultants or advisors, and the respondent base skews senior and technical — CIO\/CTO\/CISOs (18%), directors of engineering\/IT (14%), enterprise architects (12%). More than half of the respondents were from companies with 2,500 employees or more. While our sample is not huge, what you can trust more than the exact percentages is the pattern: Every question in the survey, independently, points the same way, with deployment running ahead of governance, visibility, and cost control. The full methodology is in the report . How the Fable 5 export order rewrote enterprise AI risk Fable 5 launched June 9 to immediate acclaim — and sticker shock, at $10 per million input tokens and $50 per million output. Three days later, the U.S. government issued an emergency export-control directive barring access by foreign nationals. Anthropic, with no way to verify nationality in real time, suspended the model for everyone. Z.ai has continued to pick up momentum; on Wednesday it released an open agentic coding environment, called Zcode . OpenAI, meanwhile, previewed its cutting-edge GPT-5.6 line on June 26. Enterprises had already spent the spring learning what AI dependence costs in dollars. Uber burned through its entire 2026 AI coding budget in four months after Claude Code adoption hit 84% of its roughly 5,000 engineers, Forbes reported. Microsoft canceled most internal Claude Code licenses in its Windows and Microsoft 365 division, steering engineers to its own tooling, according to The Verge. June added the harder lesson: The model your workflows depend on can vanish overnight, by government order, through no decision of yours or your vendor's. And Chinese companies like DeepSeek were releasing hugely disruptive, powerful models , driving down costs to a fraction of Western ones. Brian Craig, senior director of architecture at Liberty IT, the Ireland-based engineering arm of Liberty Mutual, one of the world’s largest insurance companies, saw both lessons collide in real time. Craig is Irish, which meant the export order hit him directly as a foreign-national user. Onstage at VentureBeat's AI Impact event in New York on June 24, mid-blackout, I asked him about it. \"Fable arrived, and immediately you saw the sticker price of using it, and you went, 'Ooh, goodness, it better be really good,'\" Craig said. \"But luckily enough, we didn’t get to use it enough to get to fall in love with it.\" Then it was gone. The hedge was already built before the blackout hit Craig's company was built to route around exactly this kind of disruption. Liberty IT runs what it calls an AI backbone — roughly 50 components spanning security, governance, observability, and orchestration, each independently replaceable. \"You can't lock in right now in one vendor and even one framework,\" Craig told the room. \"You need to keep being able to have the flexibility with that backbone to be able to hook into different models, different vendors, depending not so much on who's the flavor of the day, but on what you can feel confident about for the next six months.\" The survey shows Craig has plenty of company. A 51% majority of enterprises run a hybrid posture — closed frontier models for general reasoning, open-weight models deployed locally for specialized execution — and 16% are making a hard pivot, moving core workflows onto open weights running on their own hybrid or private cloud. The 32% holding a closed commitment are candid about why: The operational overhead of self-hosting still outweighs the savings for them. After June, that calculus has a new variable in it. Defection is now the active posture, and the target may surprise you. Asked which primary AI vendor they are most likely to downsize or phase out over the next 12 months, respondents named Microsoft first at 30% — most citing cutbacks to Copilot and Azure AI frameworks in favor of direct model access — ahead of the 28% who plan to trim no vendor at all. OpenAI drew 21%, largely on pricing volatility, with Anthropic at 15% and Google at 6%. No vendor faces an exodus. But loyalty by inertia has ended: Among these enterprises, actively cutting at least one provider is now more common than expanding across all of them. Just 1 in 10 enterprises would catch a failing production model automatically How would an enterprise know if one of its production AI models was drifting, behaving unsafely, or failing to complete tasks? We asked directly. Forty percent say they are very confident they would detect it. The question also asked what that confidence rests on, and respondents split into two camps: 30% rely on humans reviewing critical AI outputs, and just 10% — 14 of the 145 organizations — have automated monitoring and alerting running against production systems. The remaining respondents hold weaker positions still: 32% expect to catch most issues \"eventually,\" 19% say they would likely hear about a failure from end users first, and 8% report no systematic visibility into production AI behavior at all. That distinction matters because the two approaches are very different. Human review may seem like the gold standard, but it only reaches the outputs someone designates as important for such a review — and it happens at the pace humans can move at, with the inconsistency any manual process carries. Automated monitoring watches everything the system produces, continuously, and flags anomalies as they happen — for the same reason enterprises stopped depending on manual checks for uptime and security a decade ago. As agentic workloads multiply output volumes far beyond what any review team can read, the manual approach starts to fall behind. The leaders at our June 24 event in New York treat human review as a designed control with automation underneath it. \"Nothing gets deployed into production unless it's a human actually reviewing it and signing off,\" Craig said of Liberty's agentic software factory, where planning, coding, testing, critic, and librarian agents ship features from epic to production. \"It always has to be risk-based. That's why we work for an insurance company.\" Todd Johnson, the Morgan Stanley managing director who runs agentic AI across the bank's end-of-day P&L controller process, described the same principle from finance: \"One of our strong principles in our AI governance generally is that there always has to be human accountability, even if there's a degree of automation.\" VentureBeat covered Morgan Stanley's new results around its P&L resolution agent system separately . Liberty Mutual and Morgan Stanley chose manual sign-off deliberately, layered on top of observability, identity, and governance infrastructure. Whether the human-review camp has similar infrastructure underneath is more than a single-select question can establish. The 16% who separately named missing observability tooling as their biggest governance barrier are the ones saying outright that it hasn't been built. The top governance barrier is organizational: no single owner for AI across platforms Why does the AI visibility tooling never get built? The respondents' answers suggest it is an organizational shortcoming. The single most-cited barrier to governing AI across platforms is the absence of a single owner or accountable team, at 32%. Vendor opacity follows at 25%, missing tooling at 16% — and a lack of talent lands dead last at 5%. The skills exist, but the organizational mandate does not: Only 38% say a central team actually governs AI behavior across their platforms today, 21% say ownership is unclear or actively contested between teams, and 17% say no role holds formal accountability at all. The AI surface being governed makes the vacuum worse. Fully 85% of enterprises run two or more platforms each claiming to be the \"primary\" AI layer — ERP, ITSM, productivity suite, data platform, each with its own AI, its own controls, and its own assumptions. 36% describe an open contest between four or more. Just 8% have consolidated to one. Asked in a free-text question what one thing they would fix, respondents converged from different directions on the same answer: a single accountable owner, and a control plane that abstracts cost, drift, and model choice away from the end user. 79% have already paid for an agent control failure — led by shadow AI The cost of the vacuum is showing up on corporate cards. Asked to name the most severe financial or operational control failure they have experienced from autonomous agents, 49% of enterprises cite shadow AI — departmental teams running unauthorized agentic pipelines on corporate credit cards, bypassing central financial oversight entirely. Another 25% have been hit by an infinite-loop bill, an uncaught recursive workflow racking up thousands in token costs in a single incident, and 6% by an agent that degraded production databases with unthrottled queries. Only 21% report guarded stability, with hard token throttling and budget caps at the infrastructure layer. Add it up: 79% of these enterprises have already paid for an agent control failure in real money or real downtime. Finally, the economics of tokens suggest the pressure will keep rising. Per-token inference costs are falling 70 to 80% a year, and agentic workloads consume 100 to 500 times the tokens of the LLM tools they replaced. Brian Gracely, senior director of portfolio strategy at Red Hat, told our New York audience the answer starts with right-sizing: \"If I'm simply trying to resolve an insurance claim, I don't need to know about the history of Western civilization in my model. I don't need to know soccer scores.\" Enterprises are pairing smaller, specialized models with semantic routing, he said, so the platform decides which requests genuinely need frontier-scale reasoning — and which are burning premium tokens on commodity work. (One adjacent data point from the survey underlines the appetite for pragmatism: 73% of enterprises report little or nothing to show for their custom fine-tuning investments of the past 18 months — a reckoning we'll examine in its own report.) The bottom line: Replaceability is spreading faster than ownership The survey describes enterprises moving fast on AI with weak controls underneath. 58% are adding more AI initiatives than they retire. 85% run multiple platforms that each claim to be the primary AI layer. Three times as many enterprises rely on human review to catch a failing production model as have automated monitoring in place. And 79% have already paid for an agent control failure — most often unauthorized agent spending on corporate cards, outside IT's oversight. On one problem, enterprises have clearly adapted: model dependency. Two-thirds hedge their model strategy, either running open-weight models alongside closed ones (51%) or moving core workflows off closed APIs entirely (16%). The Fable 5 shutdown showed the value of that position — the hedged companies could route around a model that a government order made unavailable overnight. The remaining problems are internal, and no purchase fixes them: 32% name the lack of a single accountable owner as their top governance barrier, and 17% say no role holds formal accountability for AI at all. Assigning an owner costs nothing and requires no vendor. It still hasn't happened at most of these companies. Our coming Q3 wave of research will measure whether June changed this — whether enterprises assigned owners and installed automated monitoring, or just added a second model and moved on. Get the full Control Gap report here . The themes in this report — agent orchestration, governance, and cost control — are the agenda at VB Transform, VentureBeat's flagship event, July 14-15 at Hotel Nia in Menlo Park, with technical leaders from Visa, GM, Waymo, Intuit, Instacart, LangChain and others. Details and registration here. Disclosure: VentureBeat's June 24 AI Impact event in New York was sponsored by Red Hat and Intel. Sponsors have no input into VentureBeat Pulse Research survey design, findings, or editorial coverage.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/3a2sR1fmLQHZfmz2Vu7t5G\/909bdb83e335d09d7e474257d6781d81\/control-gap-lead-image.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/enterprises-lost-claude-fable-5-for-a-few-weeks-new-data-shows-two-thirds-had-already-built-their-hedge",
            "date": "2026-07-03",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "خسرت الشركات كلود فابل 5 لبضعة أسابيع. تظهر البيانات الجديدة أن الثلثين قد قاموا بالفعل ببناء تحوطهم",
            "summary_ar": "لقد قام ثلثا الشركات بتحوط استراتيجية نموذج الذكاء الاصطناعي الخاصة بها، وأظهرت الأسابيع القليلة الماضية من الجدل حول نموذج كلود فابل 5 من Anthropic سبب تحول هذا الموقف إلى الاتجاه السائد. في 12 يونيو\/حزيران، قام أمر مراقبة الصادرات الأمريكي بسحب طراز Anthropic's Claude Fable 5 - النموذج الأكثر قدرة في السوق - من وضع عدم الاتصال بالإنترنت لكل عميل، دون سابق إنذار أو جدول زمني. لقد عادت هذا الأسبوع ملفوفة بضمانات أكثر صرامة، بعد أن أطلقت شركة Z.ai الصينية أوزانها المفتوحة GLM-5.2 في الفراغ. يُظهر بحث VentureBeat Pulse Research الجديد، الذي استطلع آراء 145 شركة خلال الأسابيع القليلة الماضية، أن ثلثي الشركات قد قامت بالفعل بالتحوط لاستراتيجيتها النموذجية قبل سقوط الطلب: 51٪ تمزج بين النماذج الحدودية المغلقة مع النماذج ذات الوزن المفتوح المنتشرة على بنيتها التحتية الخاصة، و 16٪ أخرى تتحرك",
            "body_ar": "لقد قام ثلثا الشركات بتحوط استراتيجية نموذج الذكاء الاصطناعي الخاصة بها، وأظهرت الأسابيع القليلة الماضية من الجدل حول نموذج كلود فابل 5 من Anthropic سبب تحول هذا الموقف إلى الاتجاه السائد. في 12 يونيو\/حزيران، قام أمر مراقبة الصادرات الأمريكي بسحب طراز Anthropic's Claude Fable 5 - النموذج الأكثر قدرة في السوق - من وضع عدم الاتصال بالإنترنت لكل عميل، دون سابق إنذار أو جدول زمني. لقد عادت هذا الأسبوع ملفوفة بضمانات أكثر صرامة، بعد أن أطلقت شركة Z.ai الصينية أوزانها المفتوحة GLM-5.2 في الفراغ. تُظهر أبحاث VentureBeat Pulse Research الجديدة، التي استطلعت آراء 145 شركة خلال الأسابيع القليلة الماضية، أن ثلثي الشركات قد قامت بالفعل بتحوط استراتيجيتها النموذجية قبل صدور الطلب: 51% منها تمزج نماذج الحدود المغلقة مع نماذج الوزن المفتوح المنتشرة على البنية التحتية الخاصة بها، و16% أخرى تنقل سير العمل الأساسي خارج واجهات برمجة التطبيقات المغلقة بالكامل. أما الثلث المتبقي فكان شاملاً للأنظمة البيئية المغلقة عندما انطفأت الأضواء. سلط التعتيم الضوء على تبعية البائع، من خلال إظهار ما يحدث عندما يختفي النموذج الذي تعتمد عليه. لكن الاعتماد على البائع ليس سوى الجزء الأكثر وضوحًا من مشكلة أعمق: تفتقر معظم المؤسسات إلى المراقبة لمعرفة متى يتوقف نظام الذكاء الاصطناعي الذي أدخلته في الإنتاج عن العمل بشكل صحيح. تمتلك شركة واحدة فقط من كل 10 مؤسسات مراقبة آلية من شأنها اكتشاف انحراف نموذج الذكاء الاصطناعي أو سوء التصرف أو الفشل في الإنتاج. ما يقرب من ربعهم لن يعلموا بفشل الإنتاج إلا عندما يقوم المستخدمون النهائيون - الداخليون أو الخارجيون - بالإبلاغ عنه، أو يفتقرون إلى الرؤية اللازمة لاكتشافه على الإطلاق. وقد تعرضت 79% من مؤسسات المؤسسات بالفعل لضربة مالية أو تشغيلية حقيقية من الوكلاء المستقلين - في أغلب الأحيان ظل الذكاء الاصطناعي، وهو عمل وكيل غير مصرح به يديره موظفو المؤسسة على بطاقات ائتمان الشركة، خارج إشراف أي شخص. نحن نطلق على هذا \"فجوة التحكم\"، أو المسافة بين مدى قوة الشركات في نشر الذكاء الاصطناعي ومدى ضآلة ما يمكنهم رؤيته أو امتلاكه أو التحكم فيه. أدى انقطاع التيار الكهربائي في شهر يونيو إلى تحويل هذا الأمر إلى اختبار ضغط مباشر. حول هذه البيانات: أجرت شركة VentureBeat Pulse Research استطلاعًا شمل 145 شخصًا مؤهلاً في المؤسسات التي تضم 100 موظف أو أكثر في يونيو 2026، مع تغطية ميدانية لحجب Fable 5 الذي بدأ في 12 يونيو. تم اختيار العينة ذاتيًا وتوجيهيًا: 41% يعملون في مجال التكنولوجيا\/البرمجيات، و20% استشاريون أو مستشارون، وقاعدة المشاركين تتباين بين كبار المسؤولين والتقنيين - مديرو تكنولوجيا المعلومات\/الرؤساء التنفيذيون للتكنولوجيا\/رؤساء أمن المعلومات (18%)، ومديرو الهندسة\/تكنولوجيا المعلومات (14%)، ومهندسو المؤسسات (12%). وكان أكثر من نصف المشاركين من الشركات التي يبلغ عدد موظفيها 2500 موظف أو أكثر. على الرغم من أن العينة لدينا ليست ضخمة، إلا أن ما يمكنك الوثوق به أكثر من النسب المئوية الدقيقة هو النمط: كل سؤال في الاستطلاع، بشكل مستقل، يشير إلى نفس الاتجاه، مع تقدم النشر على الحوكمة والرؤية والتحكم في التكلفة. المنهجية الكاملة موجودة في التقرير. كيف أعاد أمر تصدير Fable 5 كتابة مخاطر الذكاء الاصطناعي للمؤسسات تم إطلاق Fable 5 في 9 يونيو لاقت استحسانًا فوريًا - وصدمة لاصقة، بسعر 10 دولارات لكل مليون رمز إدخال و50 دولارًا لكل مليون إنتاج. وبعد ثلاثة أيام، الولايات المتحدة. أصدرت الحكومة توجيهًا طارئًا لمراقبة الصادرات يمنع دخول المواطنين الأجانب. الأنثروبي، مع عدم وجود وسيلة للتحقق من الجنسية في الوقت الحقيقي، علقت النموذج للجميع. واصلت Z.ai اكتساب الزخم. أطلقت يوم الأربعاء بيئة ترميز وكيلة مفتوحة تسمى Zcode. وفي الوقت نفسه، قامت شركة OpenAI بمعاينة خط GPT-5.6 المتطور في 26 يونيو. وكانت الشركات قد أمضت فصل الربيع بالفعل في معرفة تكاليف الاعتماد على الذكاء الاصطناعي بالدولار. أفادت مجلة فوربس أن أوبر استنفدت ميزانية ترميز الذكاء الاصطناعي لعام 2026 بالكامل في أربعة أشهر بعد أن وصل اعتماد كلود كود إلى 84% من مهندسيها البالغ عددهم حوالي 5000 مهندس. ألغت شركة مايكروسوفت معظم تراخيص Claude Code الداخلية في قسم Windows وMicrosoft 365، لتوجيه المهندسين إلى الأدوات الخاصة بها، وفقًا لموقع The Verge. أضاف يونيو درسًا أصعب: النموذج الذي تعتمد عليه سير عملك يمكن أن يختفي بين عشية وضحاها، بأمر حكومي، دون اتخاذ قرار من جانبك أو من البائع. وكانت الشركات الصينية مثل DeepSeek تطلق نماذج قوية ومدمرة للغاية، مما أدى إلى انخفاض التكاليف إلى جزء صغير من النماذج الغربية. براين كريج، كبير مديري الهندسة المعمارية في شركة ليبرتي آي تي، الذراع الهندسي لشركة ليبرتي ميوتشوال، وهي واحدة من أكبر شركات التأمين في العالم، ومقرها أيرلندا، رأى أن كلا الدرسين يتصادمان في الوقت الحقيقي. كريج إيرلندي، مما يعني أن أمر التصدير أصابه مباشرة كمستخدم أجنبي. على خشبة المسرح في حدث AI Impact الخاص بـ VentureBeat في نيويورك يوم 24 يونيو، في منتصف فترة انقطاع التيار الكهربائي، سألته عن ذلك. قال كريج: \"وصلت Fable، وعلى الفور رأيت السعر الملصق لاستخدامها، وقلت، يا إلهي، من الأفضل أن تكون جيدة حقًا\". \"لكن لحسن الحظ، لم نتمكن من استخدامه بما يكفي لنقع في حبه.\" ثم ذهب. لقد تم بناء السياج بالفعل قبل أن يضرب انقطاع التيار الكهربائي، وقد تم بناء شركة كريج للتغلب على هذا النوع من الاضطراب بالضبط. تدير Liberty IT ما تسميه العمود الفقري للذكاء الاصطناعي - ما يقرب من 50 مكونًا تشمل الأمان والحوكمة وإمكانية المراقبة والتنسيق، ويمكن استبدال كل منها بشكل مستقل. وقال كريج للغرفة: \"لا يمكنك الآن أن تحصر بائعًا واحدًا أو حتى إطارًا واحدًا\". \"أنت بحاجة إلى الحفاظ على قدرتك على التمتع بالمرونة مع هذا العمود الفقري لتتمكن من الارتباط بنماذج مختلفة وموردين مختلفين، لا يعتمد ذلك كثيرًا على نكهة اليوم، ولكن على ما يمكنك أن تشعر بالثقة تجاهه خلال الأشهر الستة المقبلة.\" يظهر الاستطلاع أن كريج لديه الكثير من الصحبة. تدير أغلبية 51% من المؤسسات وضعًا هجينًا - نماذج حدودية مغلقة للاستدلال العام، ونماذج ذات وزن مفتوح منتشرة محليًا للتنفيذ المتخصص - و16% منها تتخذ محورًا ثابتًا، حيث تنقل مسارات العمل الأساسية إلى أوزان مفتوحة تعمل على سحابتها الهجينة أو الخاصة. إن نسبة 32% من الأشخاص الذين يحتفظون بالتزام مغلق صريحون بشأن السبب: فالنفقات التشغيلية العامة للاستضافة الذاتية لا تزال تفوق المدخرات المتاحة لهم. بعد شهر يونيو، أصبح لحساب التفاضل والتكامل هذا متغيرًا جديدًا. الانشقاق هو الوضع النشط الآن، وقد يفاجئك الهدف. عند سؤالهم عن مورد الذكاء الاصطناعي الأساسي الذي من المرجح أن يقوموا بتقليص حجمه أو التخلص منه على مدار الـ 12 شهرًا القادمة، ذكر المشاركون شركة Microsoft أولاً بنسبة 30% - معظمهم يشيرون إلى التخفيضات في أطر عمل Copilot وAzure AI لصالح الوصول المباشر إلى النموذج - قبل 28% الذين يخططون لتقليص عدم وجود أي مورد على الإطلاق. وحصلت OpenAI على 21%، ويرجع ذلك إلى حد كبير إلى تقلبات الأسعار، مع Anthropic بنسبة 15% وGoogle بنسبة 6%. لا يواجه أي بائع نزوحًا جماعيًا. ولكن الولاء بسبب الجمود قد انتهى: فمن بين هذه الشركات، أصبح الاستغناء عن مزود واحد على الأقل أكثر شيوعا الآن من التوسع في جميع هذه الشركات. فقط 1 من كل 10 مؤسسات يمكنها اكتشاف نموذج إنتاج فاشل تلقائيًا. كيف يمكن لمؤسسة أن تعرف ما إذا كان أحد نماذج الذكاء الاصطناعي الخاصة بالإنتاج ينحرف أو يتصرف بشكل غير آمن أو يفشل في إكمال المهام؟ لقد سألنا مباشرة. ويقول أربعون بالمائة إنهم واثقون جدًا من أنهم سيكتشفون ذلك. تم طرح السؤال أيضًا على أساس تلك الثقة، وانقسم المشاركون إلى معسكرين: 30% يعتمدون على البشر الذين يراجعون مخرجات الذكاء الاصطناعي المهمة، و10% فقط - 14 من أصل 145 منظمة - لديها مراقبة وتنبيه آلي يعمل ضد أنظمة الإنتاج. لا يزال باقي المشاركين في الاستطلاع يحتفظون بمواقف أضعف: 32% يتوقعون اكتشاف معظم المشكلات \"في النهاية\"، ويقول 19% إنهم من المحتمل أن يسمعوا عن الفشل من المستخدمين النهائيين أولاً، وأفاد 8% بعدم وجود رؤية منهجية لسلوك الذكاء الاصطناعي في الإنتاج على الإطلاق. وهذا التمييز مهم لأن النهجين مختلفان للغاية. قد تبدو المراجعة البشرية بمثابة المعيار الذهبي، ولكنها تصل فقط إلى المخرجات التي يحددها شخص ما على أنها مهمة لمثل هذه المراجعة - ويحدث ذلك بالوتيرة التي يمكن أن يتحرك بها البشر، مع التناقض الذي تحمله أي عملية يدوية. تراقب المراقبة الآلية كل ما ينتجه النظام، بشكل مستمر، وتضع علامة على الحالات الشاذة عند حدوثها - لنفس السبب الذي جعل المؤسسات تتوقف عن الاعتماد على الفحوصات اليدوية لوقت التشغيل والأمان منذ عقد من الزمن. نظرًا لأن أعباء عمل الوكلاء تضاعف أحجام المخرجات بشكل يتجاوز بكثير ما يمكن لأي فريق مراجعة قراءته، فإن النهج اليدوي يبدأ في التخلف. يتعامل القادة في حدث 24 يونيو في نيويورك مع المراجعة البشرية باعتبارها أداة تحكم مصممة مع التشغيل الآلي تحتها. قال كريج عن مصنع برمجيات ليبرتي الوكيل، حيث يقوم وكلاء التخطيط والتشفير والاختبار والناقد وأمناء المكتبات بنقل الميزات من الملحمة إلى الإنتاج: \"لا يتم نشر أي شيء في الإنتاج ما لم يكن هناك إنسان يراجعه ويوقع عليه\". \"يجب أن يكون الأمر دائمًا قائمًا على المخاطر. \"لهذا السبب نعمل في شركة تأمين.\" وصف تود جونسون، المدير الإداري لمورجان ستانلي الذي يدير الذكاء الاصطناعي الوكيل عبر عملية مراقبة الأرباح والخسائر في نهاية اليوم للبنك، نفس المبدأ من التمويل: \"أحد مبادئنا القوية في حوكمة الذكاء الاصطناعي لدينا بشكل عام هو أنه يجب دائمًا أن تكون هناك مساءلة بشرية، حتى لو كانت هناك درجة من الأتمتة.\" غطت VentureBeat نتائج Morgan Stanley الجديدة حول نظام وكيل حل الأرباح والخسائر بشكل منفصل. اختارت شركتا Liberty Mutual وMorgan Stanley التوقيع اليدوي عمدًا، مع وضع طبقة فوق إمكانية المراقبة والهوية والبنية التحتية للحوكمة. ما إذا كان معسكر المراجعة البشرية لديه بنية تحتية مماثلة تحته هو أكثر من مجرد سؤال واحد يمكن تحديده. إن نسبة الـ 16% الذين ذكروا بشكل منفصل أن أدوات المراقبة المفقودة هي أكبر عائق للحوكمة لديهم هم الذين يقولون صراحة أنه لم يتم بناؤها. إن عائق الحوكمة الأعلى هو حاجز تنظيمي: لا يوجد مالك واحد للذكاء الاصطناعي عبر الأنظمة الأساسية. لماذا لا يتم إنشاء أدوات رؤية الذكاء الاصطناعي مطلقًا؟ تشير إجابات المستجيبين إلى أنه قصور تنظيمي. إن العائق الوحيد الأكثر ذكراً أمام إدارة الذكاء الاصطناعي عبر المنصات هو عدم وجود مالك واحد أو فريق مسؤول، بنسبة 32%. وتلي ذلك نسبة عتامة البائع بنسبة 25%، والأدوات المفقودة بنسبة 16%، ونقص المواهب يصل إلى 5%. المهارات موجودة، لكن التفويض التنظيمي غير موجود: 38% فقط يقولون إن الفريق المركزي يحكم فعلياً سلوك الذكاء الاصطناعي عبر منصاتهم اليوم، 21% يقولون إن الملكية غير واضحة أو متنازع عليها بشكل نشط بين الفرق، و17% يقولون أنه لا يوجد أي دور يحمل مسؤولية رسمية على الإطلاق. إن سطح الذكاء الاصطناعي الذي يتم التحكم فيه يجعل الفراغ أسوأ. تدير 85% من المؤسسات منصتين أو أكثر تدعي كل منها أنها طبقة الذكاء الاصطناعي \"الأساسية\" - تخطيط موارد المؤسسات (ERP)، وإدارة خدمات تكنولوجيا المعلومات (ITSM)، ومجموعة الإنتاجية، ومنصة البيانات، ولكل منها ذكاء اصطناعي خاص بها، وضوابطها الخاصة، وافتراضاتها الخاصة. 36% يصفون مسابقة مفتوحة بين أربعة أو أكثر. تم توحيد 8٪ فقط في واحدة. عندما سُئل المشاركون في سؤال نصي حر عن الشيء الوحيد الذي يريدون إصلاحه، تقاربوا من اتجاهات مختلفة حول نفس الإجابة: مالك واحد مسؤول، ومستوى تحكم يجرد التكلفة، والانحراف، واختيار النموذج بعيدًا عن المستخدم النهائي. لقد دفع 79% بالفعل ثمن فشل التحكم في العميل - بقيادة ظل الذكاء الاصطناعي. تظهر تكلفة الفراغ على بطاقات الشركات. عندما طُلب من الشركات تسمية أخطر فشل في الرقابة المالية أو التشغيلية التي تعرضوا لها من الوكلاء المستقلين، أشارت 49% من الشركات إلى الذكاء الاصطناعي الظلي - فرق الإدارات التي تدير خطوط أنابيب وكيل غير مصرح بها على بطاقات ائتمان الشركات، متجاوزة الرقابة المالية المركزية بالكامل. وقد تأثر 25% آخرون بفاتورة لا نهائية، وسير عمل متكرر لم يتم اكتشافه مما أدى إلى ارتفاع تكاليف الرمز المميز للآلاف في حادثة واحدة، و6% من قبل وكيل أدى إلى تدهور قواعد بيانات الإنتاج باستخدام استعلامات غير مقيدة. أبلغ 21% فقط عن استقرار محمي، مع اختناق الرموز الصلبة وحدود الميزانية في طبقة البنية التحتية. أضف إلى ذلك: 79% من هذه المؤسسات قد دفعت بالفعل ثمن فشل مراقبة الوكيل بأموال حقيقية أو فترات توقف حقيقية. أخيرًا، تشير اقتصاديات العملات إلى أن الضغط سيستمر في الارتفاع. تنخفض تكاليف الاستدلال لكل رمز بنسبة 70 إلى 80% سنويًا، وتستهلك أعباء عمل الوكلاء ما بين 100 إلى 500 ضعف الرموز المميزة لأدوات LLM التي حلت محلها. أخبر بريان جريسلي، المدير الأول لاستراتيجية المحفظة في ريد هات، جمهورنا في نيويورك أن الإجابة تبدأ بالحجم الصحيح: \"إذا كنت أحاول ببساطة حل مطالبة التأمين، فلن أحتاج إلى معرفة تاريخ الحضارة الغربية في نموذجي. لا أحتاج إلى معرفة نتائج مباريات كرة القدم.\" وقال إن الشركات تقوم بربط النماذج المتخصصة الأصغر حجمًا بالتوجيه الدلالي، لذلك تقرر المنصة الطلبات التي تحتاج حقًا إلى تفكير على نطاق حدودي - وأيها تحرق الرموز المتميزة على أعمال السلع الأساسية. (تؤكد إحدى نقاط البيانات المجاورة من الاستطلاع الرغبة في الواقعية: 73٪ من الشركات أبلغت عن القليل أو لا شيء على الإطلاق لإظهار استثماراتها المخصصة في الضبط الدقيق خلال الأشهر الثمانية عشر الماضية - وهو حساب سنفحصه في تقريرها الخاص.) خلاصة القول: تنتشر قابلية الاستبدال بشكل أسرع من الملكية. يصف الاستطلاع الشركات تتحرك بسرعة في مجال الذكاء الاصطناعي مع وجود ضوابط ضعيفة تحتها. 58% يضيفون مبادرات الذكاء الاصطناعي أكثر مما يتقاعدون. 85% منهم يستخدمون منصات متعددة يدعي كل منها أنها طبقة الذكاء الاصطناعي الأساسية. تعتمد العديد من الشركات على المراجعة البشرية للوقوف على نموذج الإنتاج الفاشل بمقدار ثلاثة أضعاف ما تعتمد عليه المراقبة الآلية. وقد دفع 79% منهم بالفعل ثمن فشل مراقبة الوكيل - وغالبًا ما ينفق الوكيل غير المصرح به على بطاقات الشركة، خارج إشراف تكنولوجيا المعلومات. لقد تكيفت الشركات بشكل واضح مع مشكلة واحدة: الاعتماد على النموذج. يقوم الثلثان بتحوط استراتيجية النموذج الخاصة بهم، إما بتشغيل نماذج مفتوحة الوزن إلى جانب النماذج المغلقة (51%) أو نقل سير العمل الأساسي من واجهات برمجة التطبيقات المغلقة بالكامل (16%). أظهر إغلاق Fable 5 قيمة هذا الموقف - يمكن للشركات المتحوطة أن تلتف حول نموذج جعله أمر حكومي غير متاح بين عشية وضحاها. أما المشاكل المتبقية فهي داخلية، ولا يمكن لأي عملية شراء حلها: ذكر 32% منهم أن عدم وجود مالك واحد مسؤول هو أكبر عائق للحوكمة، وقال 17% إنه لا يوجد دور يحمل مسؤولية رسمية عن الذكاء الاصطناعي على الإطلاق. إن تعيين المالك لا يكلف شيئًا ولا يتطلب أي بائع. ولا يزال هذا لم يحدث في معظم هذه الشركات. ستقيس موجة أبحاثنا القادمة في الربع الثالث ما إذا كان شهر يونيو قد غيّر هذا - سواء قامت الشركات بتعيين المالكين وتثبيت المراقبة الآلية، أو مجرد إضافة نموذج ثانٍ والمضي قدمًا. احصل على تقرير فجوة التحكم الكامل هنا. المواضيع الواردة في هذا التقرير - تنسيق الوكلاء، والحوكمة، ومراقبة التكاليف - هي جدول الأعمال في VB Transform، الحدث الرئيسي لشركة VentureBeat، الذي سيعقد في الفترة من 14 إلى 15 يوليو في فندق Nia في مينلو بارك، مع قادة تقنيين من Visa، وGM، وWaymo، وIntuit، وInstacart، وLangChain وغيرها. التفاصيل والتسجيل هنا. الإفصاح: تمت رعاية حدث AI Impact الذي نظمته VentureBeat في 24 يونيو في نيويورك بواسطة Red Hat وIntel. ليس لدى الجهات الراعية أي مساهمة في تصميم استطلاع VentureBeat Pulse Research أو نتائجه أو افتتاحيته التغطية.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/new-alibaba-ai-framework-skips-loading-every-tool-cutting-agent-token-use-99",
            "title_en": "New Alibaba AI framework skips loading every tool, cutting agent token use 99%",
            "summary_en": "As enterprise AI systems scale to handle complex workflows, practitioners face the challenge of routing subtasks to the right tools and skills. Agents can have hundreds of tools and skills and get confused on which one to use for each step of a workflow. To address this challenge, researchers at Alibaba developed SkillWeaver , a framework that creates an execution graph for a given task and chooses the right skills for each of the nodes. They also introduce Skill-Aware Decomposition (SAD), a novel technique that uses a feedback loop to enable the agent to fetch and vet relevant tool candidates iteratively. This compositional approach and feedback loop mechanism distinguishes SkillWeaver from other tool-routing frameworks that choose tools in a one-shot fashion. SkillWeaver relates to real-",
            "body_en": "As enterprise AI systems scale to handle complex workflows, practitioners face the challenge of routing subtasks to the right tools and skills. Agents can have hundreds of tools and skills and get confused on which one to use for each step of a workflow. To address this challenge, researchers at Alibaba developed SkillWeaver , a framework that creates an execution graph for a given task and chooses the right skills for each of the nodes. They also introduce Skill-Aware Decomposition (SAD), a novel technique that uses a feedback loop to enable the agent to fetch and vet relevant tool candidates iteratively. This compositional approach and feedback loop mechanism distinguishes SkillWeaver from other tool-routing frameworks that choose tools in a one-shot fashion. SkillWeaver relates to real-world AI applications where agents autonomously orchestrate multi-tool ecosystems, such as the Model Context Protocol (MCP), to execute multi-step business operations like downloading datasets, transforming information, and creating visual reports. In practice, the researchers' experiments with SkillWeaver show that implementing this retrieve-and-route approach significantly increases accuracy while reducing token consumption by over 99% compared to naively exposing agents to an entire tool library. For practitioners building AI agents, the main takeaway is that the granularity of task decomposition is the biggest bottleneck to accurate tool retrieval. The challenge of skill routing Skills are a key pattern in modern LLM agent architectures. A skill is a modular, reusable tool specification that uses structured natural language documentation. As enterprise agents integrate with massive tool ecosystems, accurately routing user queries to the right skills becomes a difficult task. Exposing an entire library to an LLM to find the right tool is highly inefficient, quickly overwhelms context limits, and consumes hundreds of thousands of tokens. Most current tool-use frameworks attempt to solve this through API retrieval, documentation matching, or hierarchical structures that treat routing strictly as a single-skill selection or per-step problem. However, this single-skill paradigm is insufficient for enterprise environments because real-world queries are inherently compositional. A standard business request such as \"Download the dataset, transform it, and create visual reports\" cannot be fulfilled by one tool. It requires breaking the prompt down and sequencing an API client, a data processor, and a visualization tool into a cohesive, multi-step execution plan. How SkillWeaver and SAD work To tackle this, the researchers frame the problem of handling complex tasks that require multiple skills as \"compositional skill routing.\" Given a complex user prompt and a vast library of tools, an agent must simultaneously figure out how to break the request into a sequence of atomic sub-tasks, how to map each sub-task to the single best available skill, and how to compose those skills into an executable plan. SkillWeaver orchestrates this process through three distinct stages: Decompose, Retrieve, and Compose. In the first stage, an LLM acts as a task decomposer, breaking the user's complex query down into a sequence of sub-tasks that each require one skill. Once the sub-tasks are clearly defined, the system uses an embedding model to compare each subtask against the skill library to pull a shortlist of the top candidate tools for each step. In the final stage, a planner evaluates the retrieved candidates based on how well they work together. It checks for inter-skill compatibility to ensure the outputs of one tool naturally flow into the inputs of the next. It then creates a final execution plan as a Directed Acyclic Graph (DAG) that maps out dependencies so independent tasks can potentially execute in parallel. For example, consider a user asking an AI agent to \"Download the dataset, transform it, and create visual reports.\" In the decompose stage, the decomposer LLM breaks this into three distinct sub-tasks: downloading the dataset, transforming the data, and creating the reports. In the retrieve stage, the system searches the library and finds candidates like “api-client” or “http-fetch” for task one, “csv-parser” or “etl-pipeline” for task two, and so on. Finally, the compose stage evaluates these options, selects the specific combination of “api-client,” “csv-parser,” and “chart-gen” that are most compatible, and wires them together into a final, ready-to-execute workflow. A key challenge of this pipeline is that LLMs often produce generic step descriptions that fail to match the specific, technical vocabulary of the actual skills available in the library. To fix this, SkillWeaver introduces Iterative Skill-Aware Decomposition (SAD), a novel feedback loop. SAD works by having the LLM draft an initial plan, conducting a preliminary search to find loosely matching skills, and then feeding those retrieved skills back into the LLM as hints. This allows the LLM to rewrite its decomposition so the granularity and vocabulary perfectly align with the actual tools that exist. SkillWeaver in action To evaluate how SkillWeaver performs in realistic enterprise scenarios, the researchers created a custom benchmark called CompSkillBench. It consists of 300 multi-step queries of different difficulty levels. To mirror real-world environments, they used a library of 2,209 real-world skills sourced from the public MCP ecosystem, covering 24 functional categories like cloud infrastructure, finance, and databases. For the core engine, the researchers primarily used a lightweight 7-billion parameter model (Qwen2.5-7B-Instruct) for task decomposition, paired with a standard semantic search retriever (MiniLM with a FAISS index) to find the tools. SkillWeaver was evaluated against three main setups: a brute-force \"LLM-Direct\" method where they stuffed all the tool names into the prompt of a large model, a vanilla LLM-based decomposition without SAD, and a ReAct-style agent loop. The experiments indicate that task decomposition is the main bottleneck. Standard LLM behavior falls short when dealing with large tool libraries, but the SAD feedback loop dramatically moves the needle. In the vanilla setup, the 7B model achieved a decomposition accuracy (i.e., predicting the correct number of steps) only 51.0% of the time. By activating the SAD feedback loop, accuracy jumped to 67.7% (with the larger Qwen-Max model, the accuracy reached 92%). On \"hard\" tasks requiring four to five distinct skills, SAD improved accuracy by 50%. One fascinating finding was that larger models can actually perform worse when unguided. When tested in the vanilla setup, a larger 14-billion parameter model saw its accuracy plummet below the 7B model's accuracy because it tended to over-decompose tasks into microscopic, unnecessary steps. Once SAD was introduced, the retrieved tool hints anchored the model back to reality and increased its accuracy. This suggests that aligning an agent with the vocabulary of specific tools is often more impactful than paying for a larger, more expensive LLM. Another important takeaway is token savings. The LLM-Direct baseline, which used the very large Qwen-Max model, showed that feeding all tools into the prompt of a large model fails. Despite near-perfect task breakdown capabilities, the massive model only retrieved the right tool category 21.1% of the time when flooded with tool options. SkillWeaver's targeted retrieve-and-route approach vastly outperformed this in accuracy while slashing context window consumption from an estimated 884,000 tokens down to roughly 1,160 tokens per query, a 99.9% reduction. For practitioners, this translates directly to drastically lower API costs and faster response times. Finally, the traditional ReAct baseline completely failed, achieving 0% decomposition accuracy. Its loop naturally collapses multi-step plans into isolated actions rather than explicitly mapping out a cohesive, multi-tool sequence. Considerations for developers While the researchers have not yet released the source code for SkillWeaver, their work was built on off-the-shelf tools that can easily be reproduced. Skill-Aware Decomposition (SAD), which is the key innovation at the heart of the framework, is a clever prompt-engineering and retrieval loop. The authors have shared the prompt templates in their paper, and developers can implement it themselves quite easily using standard orchestration libraries like LangChain, LlamaIndex, or even raw Python scripts. As for the retrieval component, the authors built the core framework using all-MiniLM-L6-v2 , an open-source embedding model. They found that swapping in a slightly stronger off-the-shelf encoder ( BGE-base-en-v1.5 ) immediately boosted accuracy without any fine-tuning. While an off-the-shelf bi-encoder is great at getting a relevant tool into the top 10 candidates nearly 70% of the time, it struggles to consistently rank the perfect tool at exactly number one, achieving that only about 37% of the time. To bridge this gap, teams will likely need to implement a secondary cross-encoder or LLM-based reranker to re-order those top 10 candidates. One upfront preparation requirement is vectorizing the tool library and building a FAISS index in advance. In practice, this is a negligible hurdle. Embedding and indexing all 2,209 skills in the benchmark took a mere 15 seconds. Once built, retrieving tools from the index adds less than 15 milliseconds of latency per query. For enterprise environments, syncing the tool index is a trivial background job. A current limitation in SkillWeaver is the lack of error recovery. While SkillWeaver successfully maps out a compatible DAG for execution, the authors' pilot study revealed the challenges of multi-step tool chains. For example, if an API call fails in step two, the entire chain breaks. The paper's core contribution is limited to the routing and planning phase. For a true production deployment, practitioners must build their own error recovery, fallback, and retry mechanisms on top of the compose stage to handle real-world API timeouts or malformed outputs.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/5oP2rwb3fLrPFJUZ6RnoQR\/772fb06df7c83640938eca78724ef511\/LLM_skill_orchestration.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/new-alibaba-ai-framework-skips-loading-every-tool-cutting-agent-token-use-99",
            "date": "2026-07-02",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يتخطى إطار عمل Alibaba AI الجديد تحميل كل أداة، ويقطع استخدام الرمز المميز لعامل القطع بنسبة 99%",
            "summary_ar": "مع توسع أنظمة الذكاء الاصطناعي للمؤسسات للتعامل مع سير العمل المعقد، يواجه الممارسون التحدي المتمثل في توجيه المهام الفرعية إلى الأدوات والمهارات المناسبة. يمكن أن يمتلك الوكلاء المئات من الأدوات والمهارات، ولكنهم يشعرون بالحيرة بشأن أي منها يجب عليهم استخدامه في كل خطوة من خطوات سير العمل. ولمواجهة هذا التحدي، قام الباحثون في Alibaba بتطوير SkillWeaver، وهو إطار عمل ينشئ رسمًا بيانيًا لتنفيذ مهمة معينة ويختار المهارات المناسبة لكل عقدة. كما يقدمون التحليل المدرك للمهارات (SAD)، وهي تقنية جديدة تستخدم حلقة ردود الفعل لتمكين الوكيل من جلب مرشحي الأدوات ذات الصلة وفحصهم بشكل متكرر. يميز هذا النهج التركيبي وآلية حلقة التغذية الراجعة SkillWeaver عن أطر توجيه الأدوات الأخرى التي تختار الأدوات بطريقة طلقة واحدة. SkillWeaver يتعلق ب حقيقي-",
            "body_ar": "مع توسع أنظمة الذكاء الاصطناعي للمؤسسات للتعامل مع سير العمل المعقد، يواجه الممارسون التحدي المتمثل في توجيه المهام الفرعية إلى الأدوات والمهارات المناسبة. يمكن أن يمتلك الوكلاء المئات من الأدوات والمهارات، ولكنهم يشعرون بالحيرة بشأن أي منها يجب عليهم استخدامه في كل خطوة من خطوات سير العمل. ولمواجهة هذا التحدي، قام الباحثون في Alibaba بتطوير SkillWeaver، وهو إطار عمل ينشئ رسمًا بيانيًا لتنفيذ مهمة معينة ويختار المهارات المناسبة لكل عقدة. كما يقدمون التحليل المدرك للمهارات (SAD)، وهي تقنية جديدة تستخدم حلقة ردود الفعل لتمكين الوكيل من جلب مرشحي الأدوات ذات الصلة وفحصهم بشكل متكرر. يميز هذا النهج التركيبي وآلية حلقة التغذية الراجعة SkillWeaver عن أطر توجيه الأدوات الأخرى التي تختار الأدوات بطريقة طلقة واحدة. ترتبط SkillWeaver بتطبيقات الذكاء الاصطناعي في العالم الحقيقي حيث يقوم الوكلاء بتنسيق الأنظمة البيئية متعددة الأدوات بشكل مستقل، مثل بروتوكول السياق النموذجي (MCP)، لتنفيذ عمليات تجارية متعددة الخطوات مثل تنزيل مجموعات البيانات، وتحويل المعلومات، وإنشاء التقارير المرئية. من الناحية العملية، تُظهر تجارب الباحثين مع SkillWeaver أن تنفيذ نهج الاسترداد والتوجيه هذا يزيد بشكل كبير من الدقة مع تقليل استهلاك الرمز المميز بنسبة تزيد عن 99% مقارنةً بتعريض الوكلاء بشكل ساذج لمكتبة أدوات كاملة. بالنسبة للممارسين الذين يقومون ببناء وكلاء الذكاء الاصطناعي، فإن الفكرة الرئيسية هي أن دقة تحليل المهام هي أكبر عنق الزجاجة أمام الاسترجاع الدقيق للأداة. التحدي المتمثل في توجيه المهارات تعد المهارات نمطًا رئيسيًا في بنيات وكيل LLM الحديثة. المهارة عبارة عن مواصفات أداة معيارية وقابلة لإعادة الاستخدام تستخدم وثائق اللغة الطبيعية المنظمة. نظرًا لتكامل وكلاء المؤسسات مع النظم البيئية للأدوات الضخمة، يصبح توجيه استعلامات المستخدم بدقة إلى المهارات المناسبة مهمة صعبة. إن تعريض مكتبة بأكملها لماجستير في القانون للعثور على الأداة المناسبة هو أمر غير فعال إلى حد كبير، وسرعان ما يطغى على حدود السياق، ويستهلك مئات الآلاف من الرموز المميزة. تحاول معظم أطر استخدام الأدوات الحالية حل هذه المشكلة من خلال استرجاع واجهة برمجة التطبيقات (API)، أو مطابقة الوثائق، أو الهياكل الهرمية التي تتعامل مع التوجيه بشكل صارم باعتباره اختيارًا لمهارة واحدة أو مشكلة لكل خطوة. ومع ذلك، فإن نموذج المهارة الواحدة هذا غير كافٍ لبيئات المؤسسات لأن الاستعلامات في العالم الحقيقي مركبة بطبيعتها. لا يمكن تنفيذ طلب عمل قياسي مثل \"تنزيل مجموعة البيانات وتحويلها وإنشاء تقارير مرئية\" بواسطة أداة واحدة. يتطلب ذلك تقسيم الموجه وتسلسل عميل API ومعالج البيانات وأداة التصور إلى خطة تنفيذ متماسكة ومتعددة الخطوات. كيفية عمل SkillWeaver وSAD لمعالجة هذه المشكلة، قام الباحثون بتأطير مشكلة التعامل مع المهام المعقدة التي تتطلب مهارات متعددة باسم \"توجيه المهارات التركيبية\". نظرًا لمطالبة المستخدم المعقدة ومكتبة واسعة من الأدوات، يجب على الوكيل في الوقت نفسه معرفة كيفية تقسيم الطلب إلى سلسلة من المهام الفرعية الذرية، وكيفية تعيين كل مهمة فرعية لأفضل مهارة متاحة، وكيفية تكوين تلك المهارات في خطة قابلة للتنفيذ. ينظم SkillWeaver هذه العملية من خلال ثلاث مراحل متميزة: التحلل والاسترداد والإنشاء. في المرحلة الأولى، تعمل شهادة LLM كمحلل للمهام، حيث تقوم بتقسيم استعلام المستخدم المعقد إلى سلسلة من المهام الفرعية التي تتطلب كل منها مهارة واحدة. بمجرد تحديد المهام الفرعية بوضوح، يستخدم النظام نموذج التضمين لمقارنة كل مهمة فرعية بمكتبة المهارات لسحب قائمة مختصرة من أفضل الأدوات المرشحة لكل خطوة. في المرحلة النهائية، يقوم المخطط بتقييم المرشحين الذين تم استرجاعهم بناءً على مدى جودة عملهم معًا. فهو يتحقق من التوافق بين المهارات لضمان تدفق مخرجات إحدى الأدوات بشكل طبيعي إلى مدخلات الأداة التالية. ثم يقوم بعد ذلك بإنشاء خطة تنفيذ نهائية كرسم بياني دوري موجه (DAG) يحدد التبعيات بحيث يمكن تنفيذ المهام المستقلة بالتوازي. على سبيل المثال، لنفترض أن أحد المستخدمين يطلب من وكيل الذكاء الاصطناعي \"تنزيل مجموعة البيانات وتحويلها وإنشاء تقارير مرئية\". في مرحلة التحلل، يقوم برنامج التحليل LLM بتقسيم ذلك إلى ثلاث مهام فرعية متميزة: تنزيل مجموعة البيانات، وتحويل البيانات، وإنشاء التقارير. في مرحلة الاسترداد، يبحث النظام في المكتبة ويجد مرشحين مثل \"api-client\" أو \"http-fetch\" للمهمة الأولى، و\"csv-parser\" أو \"etl-pipeline\" للمهمة الثانية، وما إلى ذلك. أخيرًا، تقوم مرحلة الإنشاء بتقييم هذه الخيارات، وتحديد المجموعة المحددة من \"api-client\"، و\"csv-parser\"، و\"chart-gen\" الأكثر توافقًا، وربطها معًا في سير عمل نهائي جاهز للتنفيذ. يتمثل التحدي الرئيسي في هذا المسار في أن ماجستير إدارة الأعمال غالبًا ما ينتج أوصافًا عامة للخطوات التي تفشل في مطابقة المفردات التقنية المحددة للمهارات الفعلية المتوفرة في المكتبة. لإصلاح هذه المشكلة، تقدم SkillWeaver تحليلًا تكراريًا مدركًا للمهارات (SAD)، وهي حلقة تعليقات جديدة. يعمل SAD من خلال جعل LLM يقوم بصياغة خطة أولية، وإجراء بحث أولي للعثور على المهارات المطابقة بشكل فضفاض، ثم تغذية تلك المهارات المستردة مرة أخرى إلى LLM كتلميحات. يتيح ذلك لـ LLM إعادة كتابة تحليلها بحيث تتماشى التفاصيل والمفردات تمامًا مع الأدوات الفعلية الموجودة. SkillWeaver أثناء العمل لتقييم كيفية أداء SkillWeaver في سيناريوهات مؤسسية واقعية، أنشأ الباحثون معيارًا مخصصًا يسمى CompSkillBench. ويتكون من 300 استعلام متعدد الخطوات بمستويات صعوبة مختلفة. ولمحاكاة بيئات العالم الحقيقي، استخدموا مكتبة تضم 2,209 من مهارات العالم الحقيقي المستمدة من النظام البيئي العام لـ MCP، والتي تغطي 24 فئة وظيفية مثل البنية التحتية السحابية، والتمويل، وقواعد البيانات. بالنسبة للمحرك الأساسي، استخدم الباحثون في المقام الأول نموذجًا خفيف الوزن يضم 7 مليارات معلمة (Qwen2.5-7B-Instruct) لتحليل المهام، مقترنًا بمسترجع البحث الدلالي القياسي (MiniLM مع مؤشر FAISS) للعثور على الأدوات. تم تقييم SkillWeaver مقابل ثلاثة إعدادات رئيسية: طريقة القوة الغاشمة \"LLM-Direct\" حيث قاموا بحشو جميع أسماء الأدوات في موجه نموذج كبير، والتحليل المستند إلى LLM بدون SAD، وحلقة وكيل على طراز ReAct. تشير التجارب إلى أن تحليل المهام هو عنق الزجاجة الرئيسي. يفشل سلوك LLM القياسي عند التعامل مع مكتبات الأدوات الكبيرة، لكن حلقة ردود الفعل SAD تحرك الإبرة بشكل كبير. في إعداد الفانيليا، حقق النموذج 7B دقة تحلل (أي التنبؤ بالعدد الصحيح للخطوات) بنسبة 51.0% فقط من الوقت. من خلال تفعيل حلقة ردود الفعل SAD، قفزت الدقة إلى 67.7% (مع نموذج Qwen-Max الأكبر، وصلت الدقة إلى 92%). في المهام \"الصعبة\" التي تتطلب أربع إلى خمس مهارات متميزة، أدى اضطراب SAD إلى تحسين الدقة بنسبة 50%. أحد الاكتشافات الرائعة هو أن النماذج الأكبر حجمًا يمكن أن تؤدي في الواقع أداءً أسوأ عندما تكون غير موجهة. عند اختباره في إعداد الفانيليا، شهد نموذج أكبر يضم 14 مليار معلمة انخفاضًا في دقته إلى ما دون دقة النموذج 7B لأنه يميل إلى الإفراط في تحليل المهام إلى خطوات مجهرية وغير ضرورية. بمجرد تقديم SAD، أعادت تلميحات الأداة المستردة النموذج إلى الواقع وزادت من دقته. يشير هذا إلى أن مواءمة الوكيل مع مفردات أدوات محددة غالبًا ما يكون أكثر تأثيرًا من الدفع مقابل ماجستير إدارة أعمال أكبر وأكثر تكلفة. الوجبات الجاهزة المهمة الأخرى هي الادخار الرمزي. أظهر خط الأساس LLM-Direct، الذي استخدم نموذج Qwen-Max الكبير جدًا، أن إدخال جميع الأدوات في موجه النموذج الكبير يفشل. على الرغم من إمكانات تقسيم المهام شبه المثالية، لم يسترد النموذج الضخم فئة الأداة الصحيحة إلا بنسبة 21.1% من الوقت عندما غمرته خيارات الأداة. لقد تفوق أسلوب الاسترداد والتوجيه المستهدف الخاص بـ SkillWeaver على هذا الأداء بشكل كبير من حيث الدقة مع خفض استهلاك نافذة السياق من ما يقدر بـ 884000 رمزًا مميزًا إلى ما يقرب من 1160 رمزًا مميزًا لكل استعلام، وهو انخفاض بنسبة 99.9%. بالنسبة للممارسين، يُترجم هذا مباشرةً إلى انخفاض تكاليف واجهة برمجة التطبيقات (API) بشكل كبير وأوقات استجابة أسرع. وأخيرًا، فشل خط الأساس التقليدي ReAct تمامًا، حيث حقق دقة تحلل تبلغ 0%. تعمل حلقتها بشكل طبيعي على تحويل الخطط متعددة الخطوات إلى إجراءات معزولة بدلاً من رسم تسلسل متماسك ومتعدد الأدوات بشكل واضح. اعتبارات للمطورين على الرغم من أن الباحثين لم يصدروا بعد الكود المصدري لبرنامج SkillWeaver، فقد تم بناء عملهم على أدوات جاهزة يمكن إعادة إنتاجها بسهولة. إن التحليل المدرك للمهارة (SAD)، وهو الابتكار الرئيسي في قلب الإطار، عبارة عن حلقة ذكية للهندسة السريعة والاسترجاع. لقد شارك المؤلفون قوالب المطالبة في ورقتهم البحثية، ويمكن للمطورين تنفيذها بأنفسهم بسهولة تامة باستخدام مكتبات التنسيق القياسية مثل LangChain، أو LlamaIndex، أو حتى نصوص Python الأولية. أما بالنسبة لعنصر الاسترجاع، فقد قام المؤلفون ببناء الإطار الأساسي باستخدام all-MiniLM-L6-v2، وهو نموذج تضمين مفتوح المصدر. ووجدوا أن التبديل باستخدام برنامج تشفير جاهز قليلًا وأقوى (BGE-base-en-v1.5) يعزز الدقة على الفور دون أي ضبط دقيق. في حين أن برنامج التشفير الثنائي الجاهز يعد أمرًا رائعًا في إدراج أداة ذات صلة ضمن أفضل 10 مرشحات في ما يقرب من 70% من الوقت، إلا أنه يكافح من أجل تصنيف الأداة المثالية باستمرار في المرتبة الأولى بالضبط، ويحقق ذلك في حوالي 37% فقط من الوقت. لسد هذه الفجوة، من المحتمل أن تحتاج الفرق إلى تنفيذ برنامج تشفير ثانوي أو أداة إعادة ترتيب قائمة على LLM لإعادة ترتيب المرشحين العشرة الأوائل. أحد متطلبات الإعداد المسبق هو توجيه مكتبة الأدوات وإنشاء فهرس FAISS مسبقًا. ومن الناحية العملية، هذه عقبة لا تذكر. استغرق تضمين وفهرسة جميع المهارات البالغ عددها 2,209 في المعيار 15 ثانية فقط. بمجرد إنشائها، يضيف استرداد الأدوات من الفهرس أقل من 15 مللي ثانية من زمن الوصول لكل استعلام. بالنسبة لبيئات المؤسسات، تعد مزامنة فهرس الأدوات مهمة خلفية تافهة. القيد الحالي في SkillWeaver هو عدم إمكانية استرداد الأخطاء. بينما نجحت SkillWeaver في رسم DAG متوافق للتنفيذ، كشفت الدراسة التجريبية التي أجراها المؤلفون عن تحديات سلاسل الأدوات متعددة الخطوات. على سبيل المثال، إذا فشل استدعاء واجهة برمجة التطبيقات (API) في الخطوة الثانية، فستنقطع السلسلة بأكملها. تقتصر المساهمة الأساسية لهذه الورقة على مرحلة التوجيه والتخطيط. من أجل نشر حقيقي للإنتاج، يجب على الممارسين إنشاء آليات خاصة بهم لاستعادة الأخطاء والرجوع وإعادة المحاولة أعلى مرحلة الإنشاء للتعامل مع مهلات واجهة برمجة التطبيقات في العالم الحقيقي أو الأخطاء المشوهة النواتج.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/z-ai-launches-zcode-to-challenge-cursor-claude-code-and-github-copilot-in-ai-coding",
            "title_en": "Z.ai launches ZCode to challenge Cursor, Claude Code and GitHub Copilot in AI coding",
            "summary_en": "Z.ai , the Beijing-based artificial intelligence lab formerly known as Zhipu AI, on Wednesday officially launched ZCode , a free desktop application it describes as an \"Agentic Development Environment\" purpose-built for its flagship GLM-5.2 large language model. The move marks the company's most aggressive push yet into the fast-growing AI-powered coding tool market, where it now competes directly with Cursor , Claude Code , GitHub Copilot , and Google's Antigravity . \"Introducing ZCode, the official development environment for GLM-5.2,\" the company wrote on X, noting the tool is available on macOS, Windows, and Linux, supports bring-your-own-key (BYOK) configurations for third-party models, and offers a 1.5x usage-quota bonus for subscribers to its GLM Coding Plan. Read one way,",
            "body_en": "Z.ai , the Beijing-based artificial intelligence lab formerly known as Zhipu AI, on Wednesday officially launched ZCode , a free desktop application it describes as an \"Agentic Development Environment\" purpose-built for its flagship GLM-5.2 large language model. The move marks the company's most aggressive push yet into the fast-growing AI-powered coding tool market, where it now competes directly with Cursor , Claude Code , GitHub Copilot , and Google's Antigravity . \"Introducing ZCode, the official development environment for GLM-5.2,\" the company wrote on X, noting the tool is available on macOS, Windows, and Linux, supports bring-your-own-key (BYOK) configurations for third-party models, and offers a 1.5x usage-quota bonus for subscribers to its GLM Coding Plan. Read one way, ZCode is simply another entrant in a crowded market. Read another, it is a single product that crystallizes three of the most consequential trends in enterprise software today: the race-to-the-bottom pricing of frontier AI models, the geopolitical balkanization of the AI stack, and the rapid maturation of agentic coding agents into what Gartner now estimates is a roughly $10 billion market . An AI coding tool designed to think in projects, not prompts Unlike traditional IDEs that bolt on AI through a chat sidebar or autocomplete extension, ZCode is best understood as an agent-first development environment. Its core design is built around long-horizon tasks: the user describes an outcome, the agent plans the work, edits files, runs checks, reviews progress, and continues across multiple iterations until the goal is met. ZCode organizes the development experience around the ZCode Agent , deeply tuned for GLM-5.2 , with emphasis on deep integration: the model, tools, and execution workflow are tuned together so the Agent fits continuous, multi-step real-world development tasks. The environment supports continuous follow-up across devices: desktop, mobile Remote, and Feishu \/ WeChat Bot can all keep the same workspace task moving. Sensitive commands, file changes, and high-permission actions go through confirmation before execution. That remote-control feature — the ability to steer a running coding agent from WeChat , Feishu , or Telegram on a phone — is a differentiator that speaks directly to the Chinese developer market, where those messaging platforms dominate professional communication. You can keep checking progress and adding instructions while long-running work continues, from any device with these messaging apps. The tool is free to download. Revenue flows through Z.ai's GLM Coding Plan subscription tiers , which start at $16.20 per month for a \"Lite\" plan and scale to $144 per month for \"Max\" — prices that undercut Anthropic's Claude Code and Cursor's comparable tiers by significant margins. Through July 31, ZCode is offering a promotional 1.5x effective quota bonus for Coding Plan subscribers, with off-peak token consumption charged at a 0.67x coefficient. The platform also supports multiple AI models and agents, including Claude Code, Codex, Gemini, and OpenCode — a pragmatic concession to the reality that no single model wins every task. GLM-5.2, the open-source model trained entirely on Chinese chips, powers the whole experience ZCode's value proposition is inseparable from GLM-5.2 , the model it was designed to showcase. Z.ai released GLM-5.2 on June 16, first to its Coding Plan subscribers and subsequently as open-source weights under the MIT license on Hugging Face — a sequencing decision that prioritized distribution over the traditional benchmark-led launch. The model's specifications are formidable. GLM-5.2 is a 744-billion-parameter mixture-of-experts architecture with 40 billion active parameters, a genuine one-million-token context window — five times the 200K limit on its predecessor — and training on 28.5 trillion tokens. It ranked second globally on Code Arena as of mid-June, trailing only Anthropic's Claude Fable 5, making it one of the highest-performing publicly available models for coding tasks. Critically, the model was built entirely without American chips. As Decrypt reported, GLM-5.2 \" runs entirely on Huawei silicon .\" Stability AI founder Emad Mostaque estimated total training costs at roughly $25 million, with 80 percent spent on post-training — a figure that, if accurate, would make GLM-5.2 extraordinarily cheap relative to Western frontier models. On benchmarks, GLM-5.2 performs within striking distance of the best proprietary systems. It trails Anthropic's Claude Opus 4.8 by just one percentage point on FrontierSWE , a benchmark measuring multi-hour autonomous engineering projects, while edging out OpenAI's GPT-5.5 . Its API pricing — $1.40 per million input tokens and $4.40 per million output — are a cost reduction of up to 82 percent compared to Anthropic's Claude Opus 4.8 at $5 and $25, respectively. Because ZCode is a first-party tool from the same company that makes the model, it requires no manual endpoint configuration — the model is wired in. The Anthropic export ban gave Chinese AI its biggest opening yet ZCode's arrival cannot be separated from the geopolitical drama that has roiled the AI industry over the past three weeks. On June 12, the U.S. government, citing national security authorities , issued an export control directive suspending all access to Anthropic's Fable 5 and Mythos 5 models by any foreign national, whether inside or outside the United States, including foreign national Anthropic employees. Enterprise clients in finance, healthcare, SaaS, and critical infrastructure found their core intelligence services abruptly disabled, without exception, prior warning, or effective recourse. While the Trump administration lifted those controls just yesterday — Anthropic confirmed on June 30 that the Department of Commerce had rescinded the directive — the episode sent shockwaves through the developer community and accelerated interest in open-source, self-hostable alternatives. The government's crackdown on Anthropic coincided with a swift rise in Chinese open-source models that are proving to be almost as capable and significantly cheaper than some of the most powerful U.S. models. Z.ai's timing was surgical. On the same day the Trump administration ordered Anthropic's most advanced models blocked for foreign nationals, Zhipu announced the open-source release of GLM-5.2 with no usage restrictions. The South China Morning Post reported that GLM-5.2 would be available to all users of Zhipu's new GLM Coding Plan subscription, \"priced at just a tenth of Anthropic's premium Claude Code and Claude Max tiers.\" The market responded accordingly. Zhipu AI's market capitalization crossed HK$1 trillion ( US$128 billion ) on June 22, driven by a 42 percent intraday share surge. JPMorgan raised its 2026–2030 revenue forecast for Zhipu by between 7 and 16 percent following the launch, projecting an over 534 percent revenue surge for 2026 and expecting the AI firm to turn a profit by 2028. Why vendor lock-in now carries a geopolitical risk that no SLA can cover The Fable 5 episode did more than embarrass Anthropic. It introduced a new risk category into enterprise AI procurement: sovereign access risk. When a government can disable a commercially deployed AI model overnight, the traditional evaluation criteria of developer experience, benchmark scores, and pricing become secondary to a more fundamental question: Will this tool still work tomorrow? The event exposed the inadequacy of standard enterprise contract language. An investigation by FifthRow found that almost all standard Data Processing Addenda, SaaS agreements, and procurement SLAs \"relied on vague 'force majeure' or 'compliance with law' catch-alls, not on precise, actionable regulatory suspension or kill-switch clauses.\" ZCode's BYOK architecture and GLM-5.2 's MIT-licensed open weights offer a partial answer. A development team can download the model, host it on its own infrastructure, and run ZCode against it without ever touching Z.ai's cloud — eliminating both American export-control risk and Chinese data-sovereignty concerns in a single move. The catch is that anyone using Z.ai's cloud API remains subject to Chinese law, a consideration that evaporates only with pure self-hosting. Gartner analysts have warned that governance, pricing, support, workflows, commercial maturity, and market durability matter as much as developer experience and model capabilities when evaluating coding agent vendors for enterprise-wide adoption. By that measure, ZCode faces a steep climb. It is not open source itself; Linux support remains in beta; and security reviewers have flagged the need for careful evaluation of its credential handling, particularly for remote development over SSH and messaging-platform-triggered tasks — an agent that can be summoned from WeChat involves access paths that should be mapped before trusting it with anything sensitive. Inside the $10 billion race where model labs are becoming full-stack IDE companies ZCode enters one of the most crowded and fastest-moving markets in enterprise software. Enterprise AI coding agents are capturing a growing share of enterprise software engineering spend, with the market estimated at roughly $9.8 billion to $11.0 billion annualized as of April 2026, according to Gartner . A defining shift this year, the analyst firm noted, is \"the movement of frontier model providers into direct competition with application-layer vendors\" — precisely the pattern ZCode embodies. Gartner codified this evolution in May when it renamed its annual Magic Quadrant from \"AI Code Assistants\" to \"Enterprise AI Coding Agents,\" defining the category as \"autonomous or semiautonomous software engineering solutions that perceive context, translate human intent into multistep plans, and execute and verify those steps across code, tests and related engineering artifacts.\" The 2026 Magic Quadrant names Anthropic, Cursor, GitHub, and OpenAI as Leaders. Z.ai was not among the 12 vendors evaluated — an absence that underscores both the company's nascent enterprise sales presence outside China and the Western-centric lens through which the analyst community still views the market. The competitive landscape is daunting. Cursor is the $2 billion ARR IDE that feels like VS Code with a supercharger. Claude Code reached approximately $2.5 billion in annualized revenue by early 2026. Google relaunched Antigravity 2.0 at I\/O in May, and Cognition retired the Windsurf brand, relaunching the IDE as Devin Desktop with the Agent Command Center as the default surface. Against these entrenched players, ZCode's pitch rests on three pillars: deep first-party integration with GLM-5.2 that no third-party editor can replicate, aggressive pricing that starts at a fraction of Western competitors, and MIT-licensed open weights that allow enterprises to self-host — eliminating the regulatory kill-switch risk that the Fable ban made viscerally real. Z.ai's real challenge is turning a $128 billion valuation into a global developer tools business Z.ai controls the model ( GLM-5.2 ), the subscription layer ( the GLM Coding Plan ), and the IDE ( ZCode ) — a tightly coupled stack that optimizes for performance but concentrates switching costs. For the company, the business logic is clear. Its most reliable revenue stream has been on-premises deployments for Chinese government agencies, state-owned banks, and energy conglomerates. In full-year 2025, on-premises deployment revenue reached RMB 534 million, growing over 100 percent year-over-year and accounting for 73.7 percent of total revenue with a gross margin of 48.8 percent. ZCode and the GLM Coding Plan represent the company's bid to build a comparable revenue engine in cloud-based developer tools — globally, not just in China. The early signals are encouraging for Z.ai , if anecdotal. Community reception on X was enthusiastic, with one early user calling the tool \"super stable\" and others clamoring for more Coding Plan capacity. \"Bro, can't snag your family's Coding Plan? When are you gonna stock up on more cards?\" one user wrote in Chinese , suggesting demand is already outstripping supply. But the hard questions loom large. Can a Chinese AI company build trust with Western enterprise buyers amid escalating technology tensions? Can ZCode's ecosystem mature fast enough to compete with Cursor's polished UX, Claude Code's deep agent primitives, and GitHub Copilot's unmatched distribution? And can Z.ai sustain a company valued at $128 billion while still losing money? What is no longer in question is the competitive dynamic itself. Three weeks ago, a U.S. government directive proved that access to the world's best coding model can vanish overnight. Today, a Chinese lab is shipping a free IDE, an open-source model trained on zero American chips, and a subscription plan that costs less per month than a single lunch in Manhattan. The AI coding agent market did not just become global this summer. It became a market where the fallback option might be better than the thing it's falling back from — and that changes the calculus for every engineering leader choosing a toolchain in the second half of 2026.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/2XcqOZt08SkY2BArbdXXU8\/4b8912a5d1247db567241b62e9635e8b\/Nuneybits_Vector_art_of_red_code_waves_over_Beijing_skyline_and_ecae69a0-2b9d-4481-a6c0-311a70f0c622.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/z-ai-launches-zcode-to-challenge-cursor-claude-code-and-github-copilot-in-ai-coding",
            "date": "2026-07-02",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "Z.ai تطلق ZCode لتحدي Cursor وClaude Code وGitHub Copilot في برمجة الذكاء الاصطناعي",
            "summary_ar": "أطلق Z.ai، مختبر الذكاء الاصطناعي ومقره بكين والمعروف سابقًا باسم Zhipu AI، يوم الأربعاء رسميًا ZCode، وهو تطبيق مجاني لسطح المكتب يصفه بأنه \"بيئة تطوير وكيل\" مصمم خصيصًا لنموذج اللغة الكبير الرائد GLM-5.2. تمثل هذه الخطوة الدفعة الأكثر عدوانية للشركة حتى الآن في سوق أدوات التشفير التي تعمل بالذكاء الاصطناعي سريع النمو، حيث تتنافس الآن بشكل مباشر مع Cursor وClaude Code وGitHub Copilot وGoogle's Antigravity. \"نقدم ZCode، بيئة التطوير الرسمية لـ GLM-5.2،\" كتبت الشركة على X، مشيرة إلى أن الأداة متاحة على أنظمة التشغيل macOS وWindows وLinux، وتدعم تكوينات إحضار المفتاح الخاص (BYOK) لنماذج الطرف الثالث، وتقدم مكافأة حصة استخدام 1.5x للمشتركين في خطة ترميز GLM الخاصة بها. قراءة واحدة طريق،",
            "body_ar": "أطلق Z.ai، مختبر الذكاء الاصطناعي ومقره بكين والمعروف سابقًا باسم Zhipu AI، يوم الأربعاء رسميًا ZCode، وهو تطبيق مجاني لسطح المكتب يصفه بأنه \"بيئة تطوير وكيل\" مصمم خصيصًا لنموذج اللغة الكبير الرائد GLM-5.2. تمثل هذه الخطوة الدفعة الأكثر عدوانية للشركة حتى الآن في سوق أدوات التشفير التي تعمل بالذكاء الاصطناعي سريع النمو، حيث تتنافس الآن بشكل مباشر مع Cursor وClaude Code وGitHub Copilot وGoogle's Antigravity. \"نقدم ZCode، بيئة التطوير الرسمية لـ GLM-5.2،\" كتبت الشركة على X، مشيرة إلى أن الأداة متاحة على أنظمة التشغيل macOS وWindows وLinux، وتدعم تكوينات إحضار المفتاح الخاص (BYOK) لنماذج الطرف الثالث، وتقدم مكافأة حصة استخدام 1.5x للمشتركين في خطة ترميز GLM الخاصة بها. اقرأ بطريقة ما، ZCode هو ببساطة مشارك آخر في سوق مزدحم. اقرأ آخر، إنه منتج واحد يبلور ثلاثة من الاتجاهات الأكثر أهمية في برمجيات المؤسسات اليوم: التسعير المتسارع لنماذج الذكاء الاصطناعي الحدودية، والتقسيم الجيوسياسي لمكدس الذكاء الاصطناعي، والنضج السريع لوكلاء التشفير الوكيل إلى ما تقدر جارتنر الآن أنه سوق بقيمة 10 مليارات دولار تقريبًا. أداة ترميز الذكاء الاصطناعي مصممة للتفكير في المشاريع، وليس المطالبات. على عكس بيئات التطوير المتكاملة التقليدية التي يتم تثبيتها على الذكاء الاصطناعي من خلال شريط جانبي للدردشة أو امتداد الإكمال التلقائي، من الأفضل فهم ZCode على أنها بيئة تطوير الوكيل أولاً. يعتمد تصميمه الأساسي على المهام طويلة المدى: يصف المستخدم النتيجة، ويخطط الوكيل للعمل، ويحرر الملفات، ويجري عمليات التحقق، ويراجع التقدم، ويستمر عبر تكرارات متعددة حتى يتم تحقيق الهدف. تنظم ZCode تجربة التطوير حول ZCode Agent، الذي تم ضبطه بعمق لـ GLM-5.2، مع التركيز على التكامل العميق: يتم ضبط النموذج والأدوات وسير عمل التنفيذ معًا بحيث يناسب الوكيل مهام التطوير المستمرة والمتعددة الخطوات في العالم الحقيقي. تدعم البيئة المتابعة المستمرة عبر الأجهزة: يمكن لسطح المكتب وجهاز التحكم عن بعد على الهاتف المحمول وFeishu \/ WeChat Bot جميعها الحفاظ على نفس مهمة مساحة العمل تتحرك. تمر الأوامر الحساسة وتغييرات الملفات والإجراءات ذات الأذونات العالية بالتأكيد قبل التنفيذ. تعتبر ميزة التحكم عن بعد هذه - القدرة على توجيه وكيل تشفير قيد التشغيل من WeChat، أو Feishu، أو Telegram على الهاتف - بمثابة تمييز يتحدث مباشرة إلى سوق المطورين الصينيين، حيث تهيمن منصات المراسلة هذه على الاتصالات المهنية. يمكنك الاستمرار في التحقق من التقدم وإضافة الإرشادات أثناء استمرار العمل لفترة طويلة، من أي جهاز مزود بتطبيقات المراسلة هذه. الأداة مجانية للتنزيل. تتدفق الإيرادات من خلال مستويات الاشتراك في خطة ترميز GLM الخاصة بشركة Z.ai، والتي تبدأ بسعر 16.20 دولارًا أمريكيًا شهريًا لخطة \"Lite\" وتمتد إلى 144 دولارًا أمريكيًا شهريًا لخطة \"Max\" - وهي الأسعار التي تقوض مستويات Anthropic's Claude Code وCursor المماثلة بهوامش كبيرة. حتى 31 يوليو، تقدم ZCode مكافأة ترويجية فعالة تبلغ 1.5x للمشتركين في خطة الترميز، مع فرض رسوم على استهلاك الرمز المميز خارج أوقات الذروة بمعامل 0.67x. تدعم المنصة أيضًا العديد من نماذج ووكلاء الذكاء الاصطناعي، بما في ذلك Claude Code وCodex وGemini وOpenCode - وهو تنازل عملي لحقيقة أنه لا يوجد نموذج واحد يفوز في كل مهمة. GLM-5.2، النموذج مفتوح المصدر الذي تم تدريبه بالكامل على الرقائق الصينية، يدعم التجربة بأكملها. لا يمكن فصل عرض القيمة الخاص بـ ZCode عن GLM-5.2، النموذج الذي تم تصميمه لعرضه. أصدرت Z.ai GLM-5.2 في 16 يونيو، أولاً للمشتركين في خطة الترميز الخاصة بها، وبعد ذلك كأوزان مفتوحة المصدر بموجب ترخيص MIT على Hugging Face - وهو قرار تسلسلي أعطى الأولوية للتوزيع على الإطلاق التقليدي الذي يقوده المعيار. مواصفات النموذج هائلة. GLM-5.2 عبارة عن بنية خليط من الخبراء مكونة من 744 مليار معلمة مع 40 مليار معلمة نشطة، ونافذة سياق حقيقية تحتوي على مليون رمز مميز - خمسة أضعاف الحد الأقصى البالغ 200 ألف عن سابقتها - والتدريب على 28.5 تريليون رمز مميز. لقد احتلت المرتبة الثانية عالميًا في Code Arena اعتبارًا من منتصف يونيو، متخلفة فقط عن Anthropic's Claude Fable 5، مما يجعلها واحدة من النماذج المتاحة للجمهور الأعلى أداءً لمهام البرمجة. والأهم من ذلك، أن النموذج تم بناؤه بالكامل بدون رقائق أمريكية. كما ذكر موقع Decrypt، فإن GLM-5.2 \"يعمل بالكامل على معالج Huawei silicon\". قدّر مؤسس Stability AI، عماد مصطفى، إجمالي تكاليف التدريب بنحو 25 مليون دولار، مع إنفاق 80% منها على مرحلة ما بعد التدريب - وهو رقم، إذا كان دقيقًا، سيجعل GLM-5.2 رخيصًا بشكل غير عادي مقارنة بالنماذج الحدودية الغربية. وفقًا للمعايير القياسية، يعمل GLM-5.2 ضمن مسافة مذهلة من أفضل الأنظمة المسجلة الملكية. إنه يتخلف عن Claude Opus 4.8 من Anthropic بنقطة مئوية واحدة فقط على FrontierSWE، وهو معيار يقيس المشاريع الهندسية المستقلة لعدة ساعات، بينما يتفوق على GPT-5.5 من OpenAI. إن تسعير واجهة برمجة التطبيقات (API) الخاص بها - 1.40 دولارًا أمريكيًا لكل مليون رمز إدخال و4.40 دولارًا أمريكيًا لكل مليون إنتاج - يمثل انخفاضًا في التكلفة بنسبة تصل إلى 82 بالمائة مقارنةً بـ Claude Opus 4.8 من Anthropic بسعر 5 دولارات و25 دولارًا على التوالي. نظرًا لأن ZCode هي أداة الطرف الأول من نفس الشركة التي تصنع النموذج، فهي لا تتطلب تكوينًا يدويًا لنقطة النهاية - حيث يتم توصيل النموذج. وقد أعطى حظر التصدير البشري الذكاء الاصطناعي الصيني أكبر افتتاح له، ومع ذلك لا يمكن فصل وصول ZCode عن الدراما الجيوسياسية التي عصفت بصناعة الذكاء الاصطناعي على مدى الأسابيع الثلاثة الماضية. في 12 يونيو\/حزيران، الولايات المتحدة. أصدرت الحكومة، نقلاً عن سلطات الأمن القومي، توجيهًا لمراقبة الصادرات يعلق أي وصول إلى نماذج Anthropic's Fable 5 وMythos 5 من قبل أي مواطن أجنبي، سواء داخل الولايات المتحدة أو خارجها، بما في ذلك موظفو Anthropic الوطنيون. وجد عملاء المؤسسات في مجال التمويل والرعاية الصحية وإدارة العلاقات والبنية التحتية الحيوية أن خدمات الاستخبارات الأساسية الخاصة بهم معطلة فجأة، دون استثناء أو إنذار مسبق أو ملاذ فعال. وفي حين رفعت إدارة ترامب تلك الضوابط بالأمس فقط - أكدت منظمة أنثروبيك في 30 يونيو أن وزارة التجارة قد ألغت التوجيه - فقد أحدثت هذه الحادثة موجات من الصدمة عبر مجتمع المطورين وسرعت الاهتمام بالبدائل مفتوحة المصدر والقابلة للاستضافة الذاتية. تزامنت حملة القمع التي شنتها الحكومة على الأنثروبيك مع الارتفاع السريع في النماذج الصينية مفتوحة المصدر التي أثبتت أنها قادرة تقريبًا وأرخص بكثير من بعض أقوى النماذج الأمريكية. نماذج. كان توقيت Z.ai جراحيًا. في نفس اليوم الذي أمرت فيه إدارة ترامب بحظر نماذج Anthropic الأكثر تقدمًا للمواطنين الأجانب، أعلنت Zhipu عن إصدار مفتوح المصدر لـ GLM-5.2 دون أي قيود على الاستخدام. ذكرت صحيفة South China Morning Post أن GLM-5.2 سيكون متاحًا لجميع مستخدمي اشتراك GLM Coding Plan الجديد من Zhipu، \"بسعر عُشر فقط مستويات Claude Code وClaude Max المتميزة من Anthropic.\" واستجاب السوق وفقا لذلك. تجاوزت القيمة السوقية لشركة Zhipu AI تريليون دولار هونج كونج (128 مليار دولار أمريكي) في 22 يونيو، مدفوعة بارتفاع الأسهم بنسبة 42 بالمائة خلال اليوم. رفع بنك جيه بي مورجان توقعاته لإيرادات شركة Zhipu للفترة 2026-2030 بما يتراوح بين 7 و16 بالمائة بعد الإطلاق، وتوقع زيادة في الإيرادات بنسبة تزيد عن 534 بالمائة لعام 2026 وتوقع أن تحقق شركة الذكاء الاصطناعي أرباحًا بحلول عام 2028. لماذا يحمل تقييد البائع الآن مخاطر جيوسياسية تتمثل في عدم قدرة اتفاقية مستوى الخدمة على التغطية؟ لقد تسببت حلقة Fable 5 بأكثر من إحراج الأنثروبيين. لقد أدخلت فئة مخاطر جديدة في مشتريات الذكاء الاصطناعي للمؤسسات: مخاطر الوصول السيادي. عندما تتمكن الحكومة من تعطيل نموذج الذكاء الاصطناعي المنتشر تجاريا بين عشية وضحاها، تصبح معايير التقييم التقليدية لتجربة المطورين، والنتائج المعيارية، والتسعير ثانوية بالنسبة لسؤال أكثر جوهرية: هل ستظل هذه الأداة فاعلة غدا؟ كشف هذا الحدث عن عدم كفاية لغة العقود المؤسسية القياسية. توصل تحقيق أجراه موقع FifthRow إلى أن جميع إضافات معالجة البيانات القياسية واتفاقيات SaaS واتفاقيات مستوى الخدمة الخاصة بالمشتريات \"اعتمدت على \"القوة القاهرة\" الغامضة أو \"الامتثال للقانون\"، وليس على تعليق تنظيمي دقيق وقابل للتنفيذ أو بنود إيقاف التشغيل.\" تقدم بنية BYOK الخاصة بـ ZCode والأوزان المفتوحة المرخصة من MIT لـ GLM-5.2 إجابة جزئية. يمكن لفريق التطوير تنزيل النموذج، واستضافته على البنية التحتية الخاصة به، وتشغيل ZCode ضده دون لمس سحابة Z.ai على الإطلاق - مما يزيل مخاطر مراقبة الصادرات الأمريكية والمخاوف المتعلقة بسيادة البيانات الصينية في خطوة واحدة. المشكلة هي أن أي شخص يستخدم واجهة برمجة التطبيقات السحابية الخاصة بـ Z.ai يظل خاضعًا للقانون الصيني، وهو اعتبار يتبخر فقط مع الاستضافة الذاتية الخالصة. وقد حذر محللو جارتنر من أن الحوكمة والتسعير والدعم وسير العمل والنضج التجاري ومتانة السوق مهمة بقدر أهمية تجربة المطور وقدرات النموذج عند تقييم موردي وكلاء الترميز لاعتمادها على مستوى المؤسسة. وبهذا المقياس، تواجه ZCode صعودًا حادًا. إنها ليست مفتوحة المصدر بحد ذاتها؛ يبقى دعم Linux في مرحلة تجريبية؛ وقد أشار مراجعو الأمن إلى الحاجة إلى تقييم دقيق للتعامل مع بيانات الاعتماد الخاصة به، خاصة للتطوير عن بعد عبر SSH والمهام التي يتم تشغيلها بواسطة منصة المراسلة - يتضمن الوكيل الذي يمكن استدعاؤه من WeChat مسارات وصول يجب تعيينها قبل الاعتماد عليه في أي شيء حساس. داخل السباق الذي تبلغ قيمته 10 مليارات دولار حيث أصبحت المعامل النموذجية شركات IDE متكاملة، تدخل ZCode واحدة من أكثر الأسواق ازدحامًا وأسرعها حركة في برامج المؤسسات. يستحوذ وكلاء ترميز الذكاء الاصطناعي للمؤسسات على حصة متزايدة من الإنفاق على هندسة برمجيات المؤسسات، حيث تقدر قيمة السوق بحوالي 9.8 مليار دولار إلى 11.0 مليار دولار سنويًا اعتبارًا من أبريل 2026، وفقًا لشركة جارتنر. لاحظت شركة التحليل أن التحول الحاسم هذا العام هو \"تحرك مقدمي النماذج الحدودية إلى المنافسة المباشرة مع بائعي طبقة التطبيقات\" - وهو بالضبط النمط الذي يجسده ZCode. وقد قامت مؤسسة جارتنر بتدوين هذا التطور في شهر مايو عندما أعادت تسمية تقريرها السنوي Magic Quadrant من \"AI Code Assistants\" إلى \"Enterprise AI Coding Agents\"، مع تعريف الفئة بأنها \"حلول هندسة برمجيات مستقلة أو شبه مستقلة تدرك السياق، وتترجم النية البشرية إلى خطط متعددة الخطوات، وتنفذ وتتحقق من تلك الخطوات عبر التعليمات البرمجية والاختبارات والتحف الهندسية ذات الصلة.\" يسمي تقرير Magic Quadrant لعام 2026 Anthropic وCursor وGitHub وOpenAI كقادة. لم تكن شركة Z.ai من بين البائعين الـ 12 الذين تم تقييمهم - وهو غياب يسلط الضوء على حضور مبيعات الشركة الناشئ خارج الصين والعدسة الغربية التي لا يزال مجتمع المحللين ينظر من خلالها إلى السوق. المشهد التنافسي شاق. Cursor هو ARR IDE الذي تبلغ قيمته 2 مليار دولار والذي يبدو وكأنه VS Code مع شاحن فائق. وصلت كلود كود إلى ما يقرب من 2.5 مليار دولار أمريكي من الإيرادات السنوية بحلول أوائل عام 2026. أعادت Google إطلاق Antigravity 2.0 في I\/O في مايو، وتقاعدت شركة Cognition من العلامة التجارية Windsurf، وأعادت إطلاق IDE كـ Devin Desktop مع Agent Command Center كسطح افتراضي. في مواجهة هؤلاء اللاعبين الراسخين، يعتمد عرض ZCode على ثلاث ركائز: التكامل العميق للطرف الأول مع GLM-5.2 الذي لا يمكن لأي محرر تابع لجهة خارجية تكراره، والتسعير العدواني الذي يبدأ بجزء صغير من المنافسين الغربيين، والأوزان المفتوحة المرخصة من معهد ماساتشوستس للتكنولوجيا والتي تسمح للمؤسسات بالاستضافة الذاتية - مما يزيل خطر إيقاف التشغيل التنظيمي الذي جعله حظر Fable حقيقيًا بشكل عميق. التحدي الحقيقي الذي تواجهه شركة Z.ai هو تحويل تقييم بقيمة 128 مليار دولار إلى شركة عالمية لأدوات المطورين. تتحكم شركة Z.ai في النموذج (GLM-5.2)، وطبقة الاشتراك (خطة ترميز GLM)، وIDE (ZCode) - وهي حزمة مقترنة بإحكام تعمل على تحسين الأداء ولكنها تركز على تكاليف التحويل. بالنسبة للشركة، منطق العمل واضح. وكان مصدر إيراداتها الأكثر موثوقية هو عمليات النشر المحلية للوكالات الحكومية الصينية، والبنوك المملوكة للدولة، وتكتلات الطاقة. وفي عام 2025 بأكمله، وصلت إيرادات النشر المحلي إلى 534 مليون يوان صيني، بزيادة تزيد عن 100 بالمائة على أساس سنوي وتمثل 73.7 بالمائة من إجمالي الإيرادات بهامش إجمالي قدره 48.8 بالمائة. تمثل ZCode وGLM Coding Plan محاولة الشركة لبناء محرك إيرادات مماثل في أدوات المطورين المستندة إلى السحابة - على مستوى العالم، وليس فقط في الصين. تعتبر الإشارات المبكرة مشجعة بالنسبة لـ Z.ai، إذا كانت غير مؤكدة. كان استقبال المجتمع لـ X حماسيًا، حيث وصف أحد المستخدمين الأوائل الأداة بأنها \"فائقة الاستقرار\" وطالب آخرون بمزيد من سعة خطة الترميز. \"يا أخي، ألا يمكنك تعطيل خطة الترميز الخاصة بعائلتك؟ متى ستقوم بتخزين المزيد من البطاقات؟\" كتب أحد المستخدمين باللغة الصينية، مما يشير إلى أن الطلب يفوق العرض بالفعل. لكن الأسئلة الصعبة تلوح في الأفق. هل تستطيع شركة صينية تعمل في مجال الذكاء الاصطناعي بناء الثقة مع المشترين من المؤسسات الغربية وسط تصاعد التوترات التكنولوجية؟ هل يمكن للنظام البيئي لـ ZCode أن ينضج بسرعة كافية للتنافس مع UX المصقول لـ Cursor، والبدائيات العميقة لـ Claude Code، والتوزيع الذي لا مثيل له لـ GitHub Copilot؟ وهل تستطيع Z.ai الحفاظ على شركة تبلغ قيمتها 128 مليار دولار بينما لا تزال تخسر المال؟ وما لم يعد محل شك هو الديناميكية التنافسية نفسها. قبل ثلاثة أسابيع، الولايات المتحدة. أثبتت التوجيهات الحكومية أن الوصول إلى أفضل نموذج للبرمجة في العالم يمكن أن يختفي بين عشية وضحاها. واليوم، يقوم أحد المختبرات الصينية بشحن بيئة تطوير متكاملة (IDE) مجانية، ونموذج مفتوح المصدر تم تدريبه على صفر شرائح أمريكية، وخطة اشتراك تكلف أقل شهريًا من تكلفة وجبة غداء واحدة في مانهاتن. لم يصبح سوق وكلاء ترميز الذكاء الاصطناعي عالميًا هذا الصيف فحسب. لقد أصبح سوقًا قد يكون فيه خيار التراجع أفضل من الشيء الذي يتراجع عنه - وهذا يغير حسابات كل قائد هندسي يختار سلسلة أدوات في النصف الثاني من 2026.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/resources\/the-control-gap-enterprise-ai-organizations-have-an-ownership-problem-not-a-technology-problem-and-most-are-governing-it-by-hand",
            "title_en": "The Control Gap: Enterprise AI organizations have an ownership problem, not a technology problem — and most are governing it by hand",
            "summary_en": "AI portfolios are expanding far faster than the ability to govern them across enterprises. Most organizations run a contested field of platforms, each claiming to be the “primary” AI layer; few could confidently detect a model drifting or failing in production; and the single most-cited barrier to control is the absence of any one owner accountable for AI across the stack. The result is a widening control gap — ambition and spend racing ahead of visibility, ownership, and cost control — with autonomous agents already producing real financial and operational failures. This wave of VentureBeat Pulse Research examines the enterprise AI control gap: how many platforms claim to be the primary AI layer, who actually governs AI behavior across them, whether organizations could detect a model fail",
            "body_en": "AI portfolios are expanding far faster than the ability to govern them across enterprises. Most organizations run a contested field of platforms, each claiming to be the “primary” AI layer; few could confidently detect a model drifting or failing in production; and the single most-cited barrier to control is the absence of any one owner accountable for AI across the stack. The result is a widening control gap — ambition and spend racing ahead of visibility, ownership, and cost control — with autonomous agents already producing real financial and operational failures. This wave of VentureBeat Pulse Research examines the enterprise AI control gap: how many platforms claim to be the primary AI layer, who actually governs AI behavior across them, whether organizations could detect a model failing in production, what most blocks cross-platform governance, and how the financial and operational control failures of autonomous agents are already surfacing. The central finding is a control gap — the distance between how aggressively enterprises are expanding AI and how little of it they can see, own, or govern. Just under three-fifths (58%) are net-adding AI initiatives, with “expanding significantly” the largest single posture. Yet 85% run two or more platforms each claiming to be the “primary” AI layer and only 8% have consolidated to one. Against that contested surface, 40% say they are very confident they would detect a model drifting, behaving unsafely, or failing in production — but only 10% back that confidence with active monitoring and alerting, the rest leaning on manual human review. The machinery to expand AI is running well ahead of the machinery to control it. The gap is, above all, a question of ownership. Only a third (38%) say a central team governs AI today, and a fifth (20%) say each platform team governs its own independently; the single most-cited barrier to cross-platform governance is the absence of a single accountable owner (32%), and roughly one in six (17%) say no role holds formal accountability at all. The same vacuum shows up in spend: just under half (49%) name shadow AI — unauthorized agentic pipelines run on corporate cards outside central oversight — as their most severe control failure, and another 25% have been hit by a runaway “infinite loop” agent bill. Enterprises have standardized the ambition well before they have standardized the control. Methodology VentureBeat fielded this survey as part of its ongoing Pulse Research series, this instrument focused on the enterprise AI control gap — governance, observability, and cost control across multiple AI platforms. Responses are filtered to organizations with 100 or more employees and, for this cut, exclude the respondents who selected “Other” as their job function, leaving a base of identifiable roles (n=145); all are drawn from a single Q2 2026 (June) wave. By organization size the sample tilts toward the mid-market and lower-large bands: 100–499 and 500–2,499 employees (23% each) lead, with 10,000–49,999 (22%) and 2,500–9,999 (20%) close behind and 50,000+ at 11%. By role it is senior and technical: consultants and advisors (20%), CIO\/CTO\/CISO (18%), directors of engineering\/IT (14%), product and program managers (13%), and enterprise architects (12%) make up the core. Technology\/Software is the largest industry at 41%, followed by Financial Services and Professional Services (12% each) and Healthcare\/Life Sciences and Manufacturing\/Industrial (10% each). The findings should be read as a directional signal rather than a precise measurement; it is self-selected and is not a probability sample. Where a single share would be fragile on its own, the report leans on the direction and grouping of responses rather than the exact percentage point. Finding 1: Expansion is outrunning control AI portfolios are growing faster than the means to govern them We asked enterprises to describe how their AI portfolio has changed over the past 12 months. Growth leads — with a meaningful minority deliberately pulling back. Expansion leads. Combining “expanding significantly” (33%) and “net positive growth” (25%), just under three-fifths of enterprises (58%) are net-adding AI initiatives. Yet a substantial share is easing off deliberately: roughly a quarter (23%) are actively rationalizing — scaling what works and cutting the rest — and another 12% hold their portfolios flat. Only a handful (3%) have paused to get governance in order first. This is the engine behind every gap that follows: enterprises are accelerating into a landscape they have not yet learned to see or own, and a notable 4% cannot even describe their own portfolio. The ambition documented here is exactly what makes the visibility and ownership shortfalls in Findings 3 and 4 consequential rather than academic. Finding 2: No single “primary” AI layer — the surface is contested More than four in five run multiple platforms each claiming primacy We asked how many enterprise platforms currently claim to be the organization’s “primary” AI layer — the ERP, EHR, ITSM, productivity suite, or data platform each positioning itself as the center of gravity. Almost no one has a single answer. The defining condition is contested primacy. Adding the two multi-platform bands, 85% of enterprises have at least two platforms each asserting itself as the primary AI layer, and more than a third (36%) describe an open four-way-or-more contest. Only 8% have consolidated to a single layer, and another 6% have not even mapped the question. This is the structural reason governance is hard: there is no agreed center of gravity to govern from. Each platform brings its own AI, its own controls, and its own assumptions — and, as Finding 3 shows, the question of who governs across them increasingly has no settled answer. Finding 3: Governance is claimed at the center but contested in practice A central team owns it on paper; in practice, it's fragmenting We asked who is actually responsible for governing AI behavior across all of those platforms today, and which function holds primary accountability. The headline answer is reassuring; the detail is not. On the surface, a central governance function is the leading answer — but only a third (38%) claim one, well short of a majority. The rest of the distribution undercuts it further: a fifth (21%) say ownership is unclear or contested between teams, a fifth (20%) say each platform team simply governs its own AI independently, and 19% say no one has addressed it at all. Accountability fragments further when we asked which role actually holds it — CIO\/CTO\/CISO leads at 27%, a Chief AI Officer or equivalent at 22%, and a striking 17% say no one holds formal accountability yet. Even where a central team is claimed, the named owner is most often the general technology executive rather than a dedicated AI authority. The governance function exists more often as an org-chart aspiration than an operating reality — the precondition for the detection gap in Finding 4. Finding 4: The detection gap — confidence is real but largely manual Only one in 10 have active monitoring and alerting We asked how confident enterprises are that they would detect an AI model in production that was drifting, behaving unsafely, or failing to complete tasks correctly. This is the heart of the control gap. This is the report’s central number. While 40% say they are very confident they would detect a failing model, the overwhelming majority of that confidence rests on manual human review (30%) rather than automation — just 10% have active monitoring and alerting actually in place. At the other end, more than a quarter combine the two reactive answers — no systematic visibility (8%) and would hear it from end users first (19%) — meaning they would learn of a production failure after the fact, from the people it affected. The plurality (32%) sit in a hopeful middle, expecting to “catch most issues eventually.” Set against the aggressive expansion of Finding 1, this is the crux of the control gap — enterprises are scaling AI into production faster than they are building automated means to know when it breaks. Confidence is real, but it is largely manual, and automated detection remains the exception. Finding 5: The missing owner is the biggest barrier Governance stalls on accountability first, visibility second We asked enterprises to name their single biggest barrier to governing AI across multiple platforms. The org chart tops the list. The single missing owner leads at 32%, the most-cited barrier. Vendor opacity (25%) and the lack of tooling or infrastructure to observe across platforms (16%) sit behind, and together these two technical-visibility barriers (41%) outweigh the ownership gap. Leadership deprioritization accounts for another 17%, while a clear lack of talent is rare (5%). Rounding out the picture, another 5% say it isn't a barrier for them at all — they've already solved it. Read together, the picture is more contested than the headline suggests: enterprises still most often name a missing owner, but a good share locate the obstacle in vendor black boxes and the absence of cross-platform observability. Asked in a free-text question what one thing they would fix, respondents converged from different directions on the same answer — a single accountable owner, and a control plane that abstracts cost, drift, and model choice away from the end user. Finding 6: The fine-tuning ROI reckoning Roughly seven in 10 have little to show for custom model investment We asked what share of the proprietary foundation models enterprises have invested in fine-tuning over the past 18 months have delivered clear, measurable positive ROI in production today. Most describe a sandbox graveyard — or a deliberate decision to avoid one. Custom fine-tuning has, for most, not paid off. Combining the three disappointing outcomes — sandbox graveyard, strategic avoidance, and total write-off — roughly seven in ten (73%) either failed to get custom models into productive use or deliberately declined to try, against 27% for whom fine-tuned models are a reliable advantage. The largest single group (45%) remains the graveyard: projects too expensive or complex to maintain, stranded in development. Another quarter (24%) never started — they priced in the downstream maintenance burden and avoided it. The signal is that many enterprises still treat bespoke model training as a cost trap, which helps explain the pragmatic, buy-and-blend vendor posture in Finding 7. Finding 7: Vendor posture — hybrid by default, with defection rising Enterprises blend open and closed models; more are now trimming a vendor We asked two related questions: whether enterprises are shifting workloads toward open-weight models to escape API costs and lock-in, and which proprietary vendor, if any, they are most likely to phase out over the next year. The answers describe hedging — and a rising willingness to cut. On open weights, a clear majority (51%) strike a hybrid balance, with a deliberate closed commitment second at 32% and a hard pivot to self-hosted open models at 16%. The hybrid plurality is the same instinct visible throughout this survey — keep optionality, avoid being trapped — while the closed group remains candid that the operational overhead of self-hosting still outweighs the savings for them. On vendor defection, loyalty by inertia no longer leads: Microsoft is now the single most-named target (29%, often citing Copilot\/Azure cutbacks in favor of direct model access), narrowly ahead of the 27% who are downsizing no one at all. OpenAI follows at 21% (citing pricing volatility), with Anthropic at 15% and Google at 6%. No single vendor faces a wholesale exodus, but among identifiable roles the balance has tipped from “expanding across all” toward actively trimming at least one provider. Finding 8: The agentic spending crisis — shadow AI leads the failures Unauthorized pipelines, not runaway loops, are the top control failure Finally, we asked what the most severe financial or operational control failure enterprises have experienced as autonomous agents run over longer execution windows. Shadow AI tops the list — and very few have escaped a scare. The control gap has a price, and it is being paid. Just under half of enterprises (49%) cite shadow AI — unauthorized agentic pipelines spun up on corporate cards outside any central oversight — as their most severe failure, the operational twin of the “no single owner” barrier in Finding 5. Another 25% have been burned by a runaway infinite-loop agent bill, and 6% by an agent that degraded production databases. Only 21% report guarded stability — the minority that has imposed hard token throttling and budget caps at the infrastructure layer and avoided surprises. Put differently, roughly four in five of these enterprises (79%) have already experienced a real financial or operational control failure from autonomous AI, not merely worried about one. As with detection in Finding 4, the deterministic controls that would prevent these failures exist at only a fraction of organizations. The bottom line: A control gap that spending cannot close on its own Organizations with 100 or more employees describe AI programs that are expanding fast and governing slowly. Just under three-fifths are net-adding to their portfolios; more than four in five run a contested field of platforms with no agreed primary layer; and the thing they most often name as their chief obstacle is a single accountable owner. The visibility to match the ambition is largely manual — only 10% have active monitoring and alerting, and confidence in detecting a failing model rests mostly on human review rather than automation. The consequences are already concrete rather than hypothetical. Custom fine-tuning has disappointed more often than not, pushing enterprises toward a hedged, hybrid, buy-and-blend model posture; and the autonomous agents now reaching production have produced real control failures for roughly four in five respondents, led by shadow AI running outside any central oversight. This reads as a directional signal rather than a precise measurement — but the direction is consistent across every question: ambition, spend, and deployment are racing ahead of ownership, observability, and cost control. The control gap is not a tooling problem that more spending will close on its own; it is, first, a question of who owns the answer. Based on survey responses from 145 qualified enterprise respondents (100+ employees). Sample size is small; data should be treated as directional. Respondents include Directors, VPs, CIOs, CTOs, and Enterprise Architects across Technology, Financial Services, Retail, Healthcare, and other sectors.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/65A33lcUi9p0nBSloUI1Wo\/5e5d26295bc879f0ea8845cecac65504\/VentureBeat-Research.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/resources\/the-control-gap-enterprise-ai-organizations-have-an-ownership-problem-not-a-technology-problem-and-most-are-governing-it-by-hand",
            "date": "2026-07-01",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "فجوة التحكم: تواجه مؤسسات الذكاء الاصطناعي المؤسسية مشكلة ملكية، وليست مشكلة تكنولوجية - ومعظمها يحكمها يدويًا",
            "summary_ar": "تتوسع محافظ الذكاء الاصطناعي بشكل أسرع بكثير من القدرة على إدارتها عبر المؤسسات. تدير معظم المؤسسات مجالًا متنازعًا عليه من المنصات، حيث تدعي كل منها أنها طبقة الذكاء الاصطناعي \"الأساسية\"؛ قليلون هم من يستطيعون بثقة اكتشاف نموذج ينجرف أو يفشل في الإنتاج؛ والعائق الوحيد الذي يتم الاستشهاد به أمام السيطرة هو غياب أي مالك واحد مسؤول عن الذكاء الاصطناعي عبر المجموعة. والنتيجة هي فجوة رقابية متزايدة الاتساع - الطموح والإنفاق يتسابقان على الرؤية والملكية والتحكم في التكاليف - حيث يتسبب الوكلاء المستقلون بالفعل في إخفاقات مالية وتشغيلية حقيقية. تدرس هذه الموجة من أبحاث VentureBeat Pulse Research فجوة التحكم في الذكاء الاصطناعي في المؤسسة: كم عدد المنصات التي تدعي أنها طبقة الذكاء الاصطناعي الأساسية، والتي تحكم فعليًا سلوك الذكاء الاصطناعي عبرها، وما إذا كان بإمكان المؤسسات اكتشاف نموذج ما يفشل",
            "body_ar": "تتوسع محافظ الذكاء الاصطناعي بشكل أسرع بكثير من القدرة على إدارتها عبر المؤسسات. تدير معظم المؤسسات مجالًا متنازعًا عليه من المنصات، حيث تدعي كل منها أنها طبقة الذكاء الاصطناعي \"الأساسية\"؛ قليلون هم من يستطيعون بثقة اكتشاف نموذج ينجرف أو يفشل في الإنتاج؛ والعائق الوحيد الذي يتم الاستشهاد به أمام السيطرة هو غياب أي مالك واحد مسؤول عن الذكاء الاصطناعي عبر المجموعة. والنتيجة هي فجوة رقابية متزايدة الاتساع - الطموح والإنفاق يتسابقان على الرؤية والملكية والتحكم في التكاليف - حيث يتسبب الوكلاء المستقلون بالفعل في إخفاقات مالية وتشغيلية حقيقية. تبحث هذه الموجة من أبحاث VentureBeat Pulse في فجوة التحكم في الذكاء الاصطناعي المؤسسي: كم عدد المنصات التي تدعي أنها طبقة الذكاء الاصطناعي الأساسية، ومن الذي يحكم فعليًا سلوك الذكاء الاصطناعي عبرها، وما إذا كانت المؤسسات قادرة على اكتشاف نموذج فاشل في الإنتاج، وما الذي يعيق الحوكمة عبر الأنظمة الأساسية، وكيف أن فشل التحكم المالي والتشغيلي للوكلاء المستقلين قد ظهر بالفعل. والنتيجة المركزية هي فجوة التحكم - المسافة بين مدى قوة الشركات في توسيع نطاق الذكاء الاصطناعي ومدى ضآلة ما يمكنها رؤيته أو امتلاكه أو التحكم فيه. ما يقل قليلاً عن ثلاثة أخماس (58٪) عبارة عن مبادرات الذكاء الاصطناعي ذات الإضافة الصافية، مع \"التوسع بشكل كبير\" في أكبر موقف منفرد. ومع ذلك، فإن 85% منهم يديرون منصتين أو أكثر تدعي كل واحدة منهم أنها طبقة الذكاء الاصطناعي \"الأساسية\" وتم دمج 8% منهم فقط في منصة واحدة. في ظل هذا السطح المتنازع عليه، يقول 40% إنهم واثقون جدًا من أنهم سيكتشفون نموذجًا ينحرف أو يتصرف بشكل غير آمن أو يفشل في الإنتاج - لكن 10% فقط يدعمون هذه الثقة من خلال المراقبة والتنبيه النشط، بينما يعتمد الباقي على المراجعة البشرية اليدوية. إن آلية توسيع الذكاء الاصطناعي تسير بشكل جيد أمام آلية التحكم فيه. إن هذه الفجوة هي في المقام الأول مسألة ملكية. يقول الثلث فقط (38%) أن الفريق المركزي يحكم الذكاء الاصطناعي اليوم، ويقول الخمس (20%) أن كل فريق منصة يحكم فريقه بشكل مستقل؛ إن العائق الوحيد الأكثر ذكراً أمام الحوكمة عبر المنصات هو غياب مالك واحد مسؤول (32%)، ويقول واحد تقريباً من كل ستة (17%) أنه لا يوجد دور يحمل مسؤولية رسمية على الإطلاق. يظهر الفراغ نفسه في الإنفاق: أقل من النصف بقليل (49%) يطلقون على الذكاء الاصطناعي الظلي - خطوط الأنابيب الوكيلة غير المصرح بها التي تعمل على بطاقات الشركات خارج الإشراف المركزي - باعتباره فشل التحكم الأكثر خطورة، وتعرض 25% آخرون لفاتورة وكيل \"حلقة لا نهائية\" هاربة. لقد قامت الشركات بتوحيد الطموح قبل وقت طويل من توحيد السيطرة. قدمت منهجية VentureBeat هذا الاستطلاع كجزء من سلسلة Pulse Research المستمرة، وركزت هذه الأداة على فجوة التحكم في الذكاء الاصطناعي في المؤسسة - الحوكمة وإمكانية المراقبة والتحكم في التكاليف عبر منصات الذكاء الاصطناعي المتعددة. تتم تصفية الردود على المؤسسات التي تضم 100 موظف أو أكثر، ولهذا التخفيض، يتم استبعاد المشاركين الذين اختاروا \"أخرى\" كوظيفة وظيفية لهم، مع ترك قاعدة من الأدوار التي يمكن تحديدها (العدد = 145)؛ جميعها مأخوذة من موجة واحدة في الربع الثاني من عام 2026 (يونيو). حسب حجم المؤسسة، تميل العينة نحو نطاقات السوق المتوسطة والنطاقات الدنيا الكبيرة: 100-499 و500-2499 موظفًا (23% لكل منهما) في المقدمة، مع 10000-49999 (22%) و2500-9999 (20%) قريبون من الخلف وأكثر من 50000 بنسبة 11%. حسب الدور، فهو كبير وفني: المستشارون والمستشارون (20%)، CIO\/CTO\/CISO (18%)، مديرو الهندسة\/تكنولوجيا المعلومات (14%)، مديرو المنتجات والبرامج (13%)، ومهندسو المؤسسات (12%) يشكلون الجوهر. تعد التكنولوجيا\/البرمجيات أكبر صناعة بنسبة 41%، تليها الخدمات المالية والخدمات المهنية (12% لكل منهما) والرعاية الصحية\/علوم الحياة والتصنيع\/الصناعة (10% لكل منهما). وينبغي قراءة النتائج كإشارة اتجاهية وليس كقياس دقيق؛ يتم اختيارها ذاتيًا وليست عينة احتمالية. وعندما تكون حصة واحدة هشة من تلقاء نفسها، يعتمد التقرير على اتجاه وتجميع الردود بدلاً من النقطة المئوية الدقيقة. النتيجة 1: التوسع يفوق السيطرة تنمو محافظ الذكاء الاصطناعي بشكل أسرع من وسائل التحكم فيها لقد طلبنا من المؤسسات وصف كيفية تغير محفظة الذكاء الاصطناعي الخاصة بها على مدار الـ 12 شهرًا الماضية. النمو يتقدم – مع انسحاب أقلية ذات معنى عمداً. يؤدي التوسع. من خلال الجمع بين \"التوسع بشكل كبير\" (33%) و\"صافي النمو الإيجابي\" (25%)، فإن ما يقل قليلاً عن ثلاثة أخماس المؤسسات (58%) هي مبادرات الذكاء الاصطناعي ذات الإضافة الصافية. ومع ذلك، فإن نسبة كبيرة من المستثمرين يتجهون إلى التخفيف عمدا: ما يقرب من ربعهم (23%) يلجأون إلى الترشيد بنشاط ــ توسيع نطاق ما ينجح وتقليص الباقي ــ في حين يحتفظ 12% منهم بمحافظهم الاستثمارية دون تغيير. ولم يتوقف سوى عدد قليل (3٪) مؤقتًا لترتيب الحوكمة أولاً. وهذا هو المحرك وراء كل فجوة تالية: فالمؤسسات تتسارع نحو مشهد لم تتعلم بعد كيف تراه أو تمتلكه، وهناك نسبة ملحوظة تبلغ 4% لا تستطيع حتى وصف محفظتها الاستثمارية. إن الطموح الموثق هنا هو بالضبط ما يجعل أوجه القصور في الرؤية والملكية في النتائج 3 و4 تبعية وليست أكاديمية. النتيجة 2: لا توجد طبقة ذكاء اصطناعي \"أولية\" واحدة - يتم التنافس على السطح - يقوم أكثر من أربعة من كل خمسة بتشغيل منصات متعددة تدعي كل منها الأولوية. لقد سألنا عن عدد منصات المؤسسات التي تدعي حاليًا أنها طبقة الذكاء الاصطناعي \"الأساسية\" للمؤسسة - تخطيط موارد المؤسسات (ERP)، أو السجل الصحي الإلكتروني، أو إدارة خدمات تكنولوجيا المعلومات (ITSM)، أو مجموعة الإنتاجية، أو منصة البيانات التي تضع كل منها نفسها كمركز ثقل. تقريبا لا أحد لديه إجابة واحدة. الشرط المحدد هو الأسبقية المتنازع عليها. وبإضافة النطاقين متعددي المنصات، فإن 85% من المؤسسات لديها على الأقل منصتان تؤكد كل منهما نفسها على أنها طبقة الذكاء الاصطناعي الأساسية، ويصف أكثر من الثلث (36%) مسابقة مفتوحة رباعية أو أكثر. تم دمج 8% فقط في طبقة واحدة، و6% آخرين لم يقموا حتى بتخطيط السؤال. وهذا هو السبب الهيكلي وراء صعوبة الحكم: إذ لا يوجد مركز ثقل متفق عليه يمكن الحكم منه. تجلب كل منصة ذكاءها الاصطناعي الخاص بها، وضوابطها الخاصة، وافتراضاتها الخاصة - وكما يظهر فيلم Finding 3، فإن السؤال حول من يحكمها ليس له إجابة محددة بشكل متزايد. النتيجة 3: المطالبة بالحوكمة في المركز ولكن يتم التنازع عليها في الممارسة العملية. يمتلكها الفريق المركزي على الورق؛ من الناحية العملية، إنه مجزأ. لقد سألنا من المسؤول فعليًا عن إدارة سلوك الذكاء الاصطناعي عبر جميع تلك المنصات اليوم، وما هي الوظيفة التي تتحمل المسؤولية الأساسية. الجواب الرئيسي مطمئن. التفاصيل ليست كذلك. على السطح، تعتبر وظيفة الحكم المركزي هي الإجابة الرائدة - لكن الثلث فقط (38٪) يطالبون بها، أي أقل بكثير من الأغلبية. بقية التوزيع يقوضها أكثر: يقول الخمس (21٪) إن الملكية غير واضحة أو متنازع عليها بين الفرق، ويقول الخمس (20٪) إن كل فريق منصة يحكم الذكاء الاصطناعي الخاص به بشكل مستقل، ويقول 19٪ إنه لم يعالجه أحد على الإطلاق. وتتجزأ المساءلة بشكل أكبر عندما سألنا عن الدور الذي يشغلها بالفعل - حيث يتقدم رئيس قسم تكنولوجيا المعلومات\/الرئيس التنفيذي للتكنولوجيا\/رئيس أمن المعلومات بنسبة 27%، ورئيس موظفي الذكاء الاصطناعي أو ما يعادله بنسبة 22%، ويقول 17% أنه لا يوجد أحد يتحمل المساءلة الرسمية حتى الآن. حتى في حالة المطالبة بفريق مركزي، غالبًا ما يكون المالك المسمى هو المدير التنفيذي العام للتكنولوجيا وليس سلطة مخصصة للذكاء الاصطناعي. توجد وظيفة الحوكمة في كثير من الأحيان باعتبارها طموحًا في المخطط التنظيمي أكثر من كونها واقعًا تشغيليًا - وهو الشرط المسبق لفجوة الكشف في النتيجة 4. النتيجة 4: فجوة الاكتشاف - الثقة حقيقية ولكنها يدوية إلى حد كبير. واحد فقط من كل 10 شركات لديه مراقبة وتنبيه نشطين. لقد سألنا عن مدى ثقة الشركات في قدرتها على اكتشاف نموذج الذكاء الاصطناعي في الإنتاج الذي كان ينجرف، أو يتصرف بشكل غير آمن، أو يفشل في إكمال المهام بشكل صحيح. وهذا هو قلب فجوة السيطرة. وهذا هو الرقم المركزي للتقرير. في حين يقول 40% إنهم واثقون جدًا من قدرتهم على اكتشاف النموذج الفاشل، فإن الغالبية العظمى من هذه الثقة تعتمد على المراجعة البشرية اليدوية (30%) بدلاً من الأتمتة - 10% فقط لديهم مراقبة وتنبيه نشطين فعليًا. على الجانب الآخر، يجمع أكثر من ربع المشاركين بين الإجابتين التفاعليتين - عدم وجود رؤية منهجية (8٪) وسيسمعون ذلك من المستخدمين النهائيين أولاً (19٪) - مما يعني أنهم سيعلمون بفشل الإنتاج بعد وقوعه، من الأشخاص المتأثرين به. وتجلس الأغلبية (32%) في وسط متفائل، ويتوقعون \"التغلب على معظم القضايا في نهاية المطاف\". في مقابل التوسع الكبير في Finding 1، هذا هو جوهر فجوة التحكم - حيث تعمل الشركات على توسيع نطاق الذكاء الاصطناعي في الإنتاج بشكل أسرع من بناء وسائل آلية لمعرفة متى تنكسر هذه الفجوة. الثقة حقيقية، لكنها يدوية إلى حد كبير، ويظل الكشف الآلي هو الاستثناء. النتيجة 5: المالك المفقود هو أكبر عائق أمام الحوكمة للمساءلة أولاً، والرؤية ثانياً. لقد طلبنا من الشركات تسمية أكبر عائق أمام إدارة الذكاء الاصطناعي عبر منصات متعددة. يتصدر المخطط التنظيمي القائمة. يتقدم المالك الوحيد المفقود بنسبة 32%، وهو الحاجز الأكثر ذكرًا. إن غموض البائع (25٪) والافتقار إلى الأدوات أو البنية التحتية للمراقبة عبر المنصات (16٪) يكمنان في الخلف، ويفوق هذان الحاجزان المتعلقان بالرؤية التقنية (41٪) فجوة الملكية. ويمثل عدم إعطاء الأولوية للقيادة 17% أخرى، في حين أن النقص الواضح في المواهب أمر نادر (5%). وفي ختام الصورة، يقول 5% آخرون أن هذه المشكلة لا تشكل عائقًا أمامهم على الإطلاق، بل لقد قاموا بحلها بالفعل. إذا قرأنا معًا، فإن الصورة أكثر إثارة للجدل مما يوحي به العنوان: لا تزال الشركات في أغلب الأحيان تذكر مالكًا مفقودًا، ولكن هناك حصة كبيرة تحدد العائق في الصناديق السوداء للبائعين وغياب إمكانية المراقبة عبر الأنظمة الأساسية. عندما سُئل المشاركون في سؤال نصي حر عن الشيء الوحيد الذي يريدون إصلاحه، تقاربوا من اتجاهات مختلفة حول نفس الإجابة - مالك واحد مسؤول، ومستوى تحكم يلخص التكلفة، والانحراف، واختيار النموذج بعيدًا عن المستخدم النهائي. النتيجة 6: حساب عائد الاستثمار الدقيق ما يقرب من سبعة من كل 10 ليس لديهم الكثير لإظهاره للاستثمار في النماذج المخصصة، لقد سألنا عن حصة نماذج الأساس الخاصة التي استثمرتها الشركات في الضبط الدقيق على مدار الـ 18 شهرًا الماضية والتي حققت عائد استثمار إيجابي واضح وقابل للقياس في الإنتاج اليوم. يصف معظمهم مقبرة رملية - أو قرارًا متعمدًا بتجنبها. الضبط الدقيق المخصص، بالنسبة لمعظم الناس، لم يؤت ثماره. ومن خلال الجمع بين النتائج الثلاث المخيبة للآمال - مقبرة العالم الافتراضي، والتجنب الاستراتيجي، والشطب الكامل - فشل ما يقرب من سبعة من كل عشرة (73٪) في استخدام النماذج المخصصة بشكل إنتاجي أو رفضوا المحاولة عمدًا، مقابل 27٪ يعتبرون النماذج المضبوطة بدقة ميزة يمكن الاعتماد عليها. وتظل المجموعة الأكبر (45%) هي المقبرة: وهي مشاريع مكلفة للغاية أو معقدة للغاية بحيث لا يمكن صيانتها، وقد تقطعت بها السبل في التطوير. ربع آخر (24٪) لم يبدأ أبدًا - لقد قاموا بتسعير عبء الصيانة النهائي وتجنبوه. والإشارة إلى ذلك هي أن العديد من المؤسسات لا تزال تتعامل مع التدريب على النماذج المخصصة باعتباره فخًا للتكلفة، مما يساعد في تفسير موقف البائع العملي القائم على الشراء والمزج في النتيجة 7. النتيجة 7: وضع البائع - مختلط بشكل افتراضي، مع تزايد الانشقاق. تمزج الشركات بين النماذج المفتوحة والمغلقة؛ المزيد يقومون الآن بتقليص البائعين لقد طرحنا سؤالين مرتبطين: ما إذا كانت المؤسسات تقوم بتحويل أعباء العمل نحو نماذج ذات وزن مفتوح للهروب من تكاليف واجهة برمجة التطبيقات (API) والحجز، وأي بائع خاص، إن وجد، من المرجح أن يتخلص منه تدريجيًا خلال العام المقبل. الإجابات تصف التحوط - والرغبة المتزايدة في التخفيض. بالنسبة للأوزان المفتوحة، حققت أغلبية واضحة (51%) توازنًا مختلطًا، مع الالتزام المغلق المتعمد في المرتبة الثانية بنسبة 32% والمحور الثابت للنماذج المفتوحة ذاتية الاستضافة بنسبة 16%. إن التعددية الهجينة هي نفس الغريزة الواضحة خلال هذا الاستطلاع - احتفظ بالاختيار، وتجنب الوقوع في الفخ - بينما تظل المجموعة المغلقة صريحة في أن النفقات التشغيلية للاستضافة الذاتية لا تزال تفوق التوفير بالنسبة لهم. فيما يتعلق بانشقاق البائعين، لم يعد الولاء بالقصور الذاتي هو القائد: أصبحت مايكروسوفت الآن الهدف الوحيد الأكثر تسمية (29٪، غالبًا ما يستشهدون بتخفيضات Copilot \/ Azure لصالح الوصول المباشر إلى النموذج)، بفارق ضئيل عن 27٪ الذين لا يقومون بتقليص حجم أي شخص على الإطلاق. تليها OpenAI بنسبة 21% (بسبب تقلب الأسعار)، مع Anthropic بنسبة 15% وGoogle بنسبة 6%. لا يواجه أي بائع منفرد نزوحًا جماعيًا، ولكن من بين الأدوار التي يمكن تحديدها، تحول التوازن من \"التوسع عبر الجميع\" إلى تقليص مزود واحد على الأقل بشكل فعال. النتيجة 8: أزمة إنفاق الوكلاء - الذكاء الاصطناعي الظل يقود حالات الفشل خطوط الأنابيب غير المصرح بها، وليس الحلقات الجامحة، هي فشل التحكم العلوي. أخيرًا، سألنا ما هي أخطر حالات الفشل في التحكم المالي أو التشغيلي التي شهدتها المؤسسات عندما يعمل الوكلاء المستقلون على فترات تنفيذ أطول. يتصدر Shadow AI القائمة، ولم يتمكن سوى عدد قليل جدًا من الأشخاص من الهروب من الخوف. إن فجوة السيطرة لها ثمن، وقد تم دفعه. يشير ما يقل قليلاً عن نصف الشركات (49٪) إلى الذكاء الاصطناعي الظلي - خطوط الأنابيب الوكيلة غير المصرح بها التي يتم إنشاؤها على بطاقات الشركة خارج أي إشراف مركزي - باعتباره فشلها الأكثر خطورة، وهو التوأم التشغيلي لحاجز \"عدم وجود مالك واحد\" في البحث 5. وقد تم حرق 25٪ أخرى بسبب فاتورة وكيل هاربة لا حصر لها، و 6٪ بسبب وكيل أدى إلى تدهور قواعد بيانات الإنتاج. أبلغ 21٪ فقط عن استقرار محمي - وهي الأقلية التي فرضت قيودًا على الرموز الصلبة وحدودًا للميزانية على طبقة البنية التحتية وتجنبت المفاجآت. وبعبارة أخرى، فإن ما يقرب من أربع من كل خمس من هذه الشركات (79٪) قد شهدت بالفعل فشلًا حقيقيًا في التحكم المالي أو التشغيلي بسبب الذكاء الاصطناعي المستقل، وليس مجرد القلق بشأنه. كما هو الحال مع الكشف في النتيجة 4، فإن الضوابط الحتمية التي من شأنها أن تمنع حالات الفشل هذه موجودة في جزء صغير فقط من المنظمات. خلاصة القول: فجوة التحكم التي لا يمكن للإنفاق سدها بمفردها تصف المنظمات التي تضم 100 موظف أو أكثر برامج الذكاء الاصطناعي التي تتوسع بسرعة وتدار ببطء. ما يقل قليلا عن ثلاثة أخماسهم يضيفون صافيا إلى محافظهم الاستثمارية؛ أكثر من أربعة من كل خمسة يديرون مجالًا متنازعًا عليه من المنصات دون وجود طبقة أولية متفق عليها؛ والشيء الذي يسمونه في أغلب الأحيان على أنه العائق الرئيسي أمامهم هو مالك واحد مسؤول. إن الرؤية التي تتناسب مع الطموح تتم يدويًا إلى حد كبير - 10٪ فقط لديهم مراقبة وتنبيه نشطين، والثقة في اكتشاف النموذج الفاشل تعتمد في الغالب على المراجعة البشرية بدلاً من الأتمتة. إن العواقب ملموسة بالفعل وليست افتراضية. لقد كان الضبط الدقيق المخصص مخيبا للآمال في كثير من الأحيان، مما دفع الشركات نحو وضع نموذجي متحوط، هجين، يقوم على الشراء والمزج؛ وقد أنتجت العوامل المستقلة التي تصل الآن إلى مرحلة الإنتاج إخفاقات حقيقية في السيطرة على ما يقرب من أربعة من كل خمسة مشاركين، بقيادة الظل الاصطناعي الذي يعمل خارج أي إشراف مركزي. يُنظر إلى هذا على أنه إشارة اتجاه وليس قياسًا دقيقًا - ولكن الاتجاه ثابت في كل سؤال: الطموح والإنفاق والنشر يتسابقون قبل الملكية وإمكانية المراقبة والتحكم في التكلفة. إن فجوة السيطرة ليست مشكلة أدوات يمكن أن يسدها المزيد من الإنفاق من تلقاء نفسها؛ إنها أولاً مسألة من يملك الإجابة. استنادًا إلى ردود الاستبيان التي أجراها 145 مشاركًا مؤهلاً من المؤسسات (أكثر من 100 موظف). حجم العينة صغير؛ يجب التعامل مع البيانات على أنها اتجاهية يشمل المستجيبون المديرين، ونواب الرئيس، ومديري تكنولوجيا المعلومات، ومديري التكنولوجيا التنفيذيين، ومهندسي المؤسسات في مجالات التكنولوجيا والخدمات المالية وتجارة التجزئة والرعاية الصحية وغيرها. القطاعات.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/anthropic-is-bringing-back-claude-fable-5-globally-after-us-lifts-export-control-order-where-can-enterprises-access-it",
            "title_en": "Anthropic is bringing back Claude Fable 5 globally after US lifts export control order — where can enterprises access it?",
            "summary_en": "Anthropic is restoring global access to its most powerful generally released AI model yet, Claude Fable 5, today, after the U.S. Department of Commerce last night withdrew the emergency export controls it had issued previously around the model. The U.S. export control order issued on June 12, 2026, led Anthropic to suspend all global access to both Fable 5 and its less restricted cybersecurity counterpart model Claude Mythos 5 , just days after both models were initially introduced. Now, Fable 5 is once again being made available for users globally across the primary Anthropic ecosystem, including the Claude Platform, Claude.ai, Claude Code, and Claude Cowork. The official Claude account on X announced the return of the model at 3:31 pm ET on July 1, 2026. For organizations leveraging clou",
            "body_en": "Anthropic is restoring global access to its most powerful generally released AI model yet, Claude Fable 5, today, after the U.S. Department of Commerce last night withdrew the emergency export controls it had issued previously around the model. The U.S. export control order issued on June 12, 2026, led Anthropic to suspend all global access to both Fable 5 and its less restricted cybersecurity counterpart model Claude Mythos 5 , just days after both models were initially introduced. Now, Fable 5 is once again being made available for users globally across the primary Anthropic ecosystem, including the Claude Platform, Claude.ai, Claude Code, and Claude Cowork. The official Claude account on X announced the return of the model at 3:31 pm ET on July 1, 2026. For organizations leveraging cloud hyperscalers, Anthropic says it is moving to re-enable access on Amazon Web Services, Google Cloud, and Microsoft Foundry “as quickly as possible.” So far, VentureBeat's research has been unable to confirm if the models have been restored on these external cloud hyperscaler platforms yet. Mythos 5 remains a different case. A letter posted on the social network X allegedly from U.S. Commerce Secretary Howard Lutnick to Anthropic executive Tom Brown says a license is no longer required for the export, reexport, or in-country transfer of Fable and Mythos. But Anthropic’s own redeployment post on its website says only that Mythos 5 access has been restored for “a set of US organizations,” following government approval on June 26. The company says it is continuing to coordinate with the government to expand access to broader domestic and international partners in its opt-in cybersecurity testing program, Project Glasswing . That leaves Mythos 5 in a middle category: legally cleared from the emergency export-control order, but not generally available. The current limit appears to come from Anthropic’s decision to keep Mythos behind a vetted-access model, with the U.S. government still playing a role in approvals, standards and expansion. Posting on X, Commerce Secretary Howard Lutnick said Anthropic and the government had “worked closely” to “analyze and approve Fable 5,” while White House Chief of Staff Susie Wiles also posted on X, framing the decision around U.S. AI leadership and deployment speed. Wiles wrote that the United States is the “undisputed winner in the AI race,” adding that the shared priority is to “get the best tech deployed as quickly and safely as possible.” The reversal follows concerns from cybersecurity leaders and AI policy experts over the export control order, who argued that the U.S. risked hobbling its own industry while giving Chinese AI labs an opening. Former Facebook security chief Alex Stamos called the Fable restriction a “huge own goal for the US,” warning that security companies could be driven toward Chinese models, while other critics said the so-called \"ad hoc\" regulatory intervention made dependence on U.S. AI platforms look like a strategic liability. Reminder on Claude Fable 5 pricing For chief information and technology officers evaluating the return of the model, the deployment comes with distinct structural conditions and significant financial investments. Anthropic is pricing both Fable 5 and Mythos 5 at $10.00 per million input tokens and $50.00 per million output tokens, the most expensive of all frontier models globally. Model Input ($\/1M) Output ($\/1M) Total ($\/1M) Source MiMo-V2.5 Flash $0.10 $0.30 $0.40 Xiaomi deepseek-v4-flash $0.14 $0.28 $0.42 DeepSeek deepseek-v4-pro $0.435 $0.87 $1.305 DeepSeek MiniMax-M3 $0.30 $1.20 $1.50 MiniMax LongCat-2.0 — limited-time promo $0.30 $1.20 $1.50 LongCat Gemini 3.1 Flash-Lite $0.25 $1.50 $1.75 Google Qwen3.7-Plus $0.40 $1.60 $2.00 Alibaba Cloud MiMo-V2.5 $0.40 $2.00 $2.40 Xiaomi LongCat-2.0 — standard $0.75 $2.95 $3.70 LongCat Grok 4.3 (low context) $1.25 $2.50 $3.75 xAI MiMo-V2.5 Pro (≤256K) $1.00 $3.00 $4.00 Xiaomi Kimi-K2.6 $0.95 $4.00 $4.95 Moonshot AI GLM-5.2 $1.40 $4.40 $5.80 Z.ai GPT-5.6 Luna $1.00 $6.00 $7.00 OpenAI Grok 4.3 (high context) $2.50 $5.00 $7.50 xAI MiMo-V2.5 Pro (>256K) $2.00 $6.00 $8.00 Xiaomi Qwen3.7-Max $2.50 $7.50 $10.00 Alibaba Cloud Gemini 3.5 Flash $1.50 $9.00 $10.50 Google Gemini 3.1 Pro Preview (≤200K) $2.00 $12.00 $14.00 Google GPT-5.6 Terra $2.50 $15.00 $17.50 OpenAI GPT-5.4 $2.50 $15.00 $17.50 OpenAI Gemini 3.1 Pro Preview (>200K) $4.00 $18.00 $22.00 Google Claude Opus 4.8 $5.00 $25.00 $30.00 Anthropic GPT-5.5 $5.00 $30.00 $35.00 OpenAI GPT-5.5 Instant (chat-latest) $5.00 $30.00 $35.00 OpenAI Sakana Fugu Ultra (≤272K) $5.00 $30.00 $35.00 Sakana AI GPT-5.6 Sol $5.00 $30.00 $35.00 OpenAI Claude Fable 5 \/ Claude Mythos 5 $10.00 $50.00 $60.00 Anthropic However, to incentivize immediate enterprise adoption following the export control order disruption saga, Anthropic is executing a temporary rollout plan through July 7. For Pro, Max, Team, and select Enterprise subscriptions, Fable 5 usage will be included at no added cost for up to 50% of a user’s weekly tier allowance. After July 7, Fable 5 will move to usage credits for those plans. For standard Enterprise seats, there is no included Fable 5 allowance; all usage is billed through credits, and the model will not work for those users unless credits are enabled. Already, some AI influencers are attempting to offer enterprises and developers guidance on how to maximize their usage of Fable 5 during its 7-day discounted price\/subscription included promotion: Chronology of a Crisis: From Launch to Lockout The whiplash regulatory cycle surrounding the model underscores the volatility currently facing enterprise software supply chains. The crisis unfolded over a rapid, three-week timeline: June 9, 2026: Anthropic launches Claude Fable 5 and Mythos 5 . Early corporate case studies report major performance gains. For instance, Stripe reports that Fable 5 compressed a codebase-wide migration across a 50-million-line Ruby infrastructure into a single day — a project estimated to take a team more than two months by hand. June 12, 2026: At 5:21 PM ET, the U.S. government issues an export-control directive citing national security authorities. The order bans access to the models by any foreign national, whether inside or outside the borders of the United States. Lacking real-time mechanisms to verify user nationality at the API layer, Anthropic is forced to pull the plug for all customers to ensure compliance. Anthropic says access to all other Anthropic models was not affected. June 13–25, 2026: Enterprise users and developers face abrupt disruption, forcing workflows that had adopted Fable 5 or Mythos 5 to fall back to older models such as Opus 4.8. Tensions peak as Anthropic publicly objects, arguing that pulling a major commercial model over a narrow jailbreak finding could “essentially halt all new model deployments for all frontier model providers.” June 26, 2026: The U.S. government allows Anthropic to restore Mythos 5 access to a set of trusted U.S. organizations, partially reversing the June 12 order. Anthropic says it is restoring access for those organizations and continuing to work with the government to expand Mythos 5 access and make Fable 5 generally available again. June 30, 2026: Commerce Secretary Howard Lutnick sends a letter withdrawing the June 12 export-control license requirement for both Mythos and Fable. The decision removes the emergency legal block, but Anthropic’s rollout still treats the models differently: Fable 5 returns globally, while Mythos 5 remains limited to approved users through Glasswing and related trusted-access channels. The Technical Catalyst: The Amazon Vulnerability Report The swift intervention by the federal government stemmed from a report by Amazon researchers describing a method for bypassing Fable 5’s safeguards. This was a brutal irony for Anthropic, given Amazon was one of the startup's initial and largest backers to the tune of $8 billion , and the two companies previously collaborated on improving Amazon's Alexa+ voice assistant . According to Anthropic, the technique prompted Fable 5 to identify software vulnerabilities; in one case, the model produced code demonstrating how the relevant vulnerability could be exploited. When the report reached government officials, it triggered alarm regarding the offensive cyber capabilities of public, AI large language models (LLMs). Anthropic countered that the exploit did not tap into unique “Mythos-level” cyber capabilities, noting that its own testing found other models — including Claude Opus 4.8, OpenAI’s GPT-5.5, and Moonshot’s Kimi K2.7 — could identify the same vulnerabilities. Anthropic also said every model it tested could produce the same exploit demonstration as Fable 5. To break the regulatory logjam, Anthropic developed an improved automated safety classifier specifically trained to catch and neutralize the Amazon technique. Tested by the Commerce Department’s Center for AI Standards and Innovation (CAISI), the updated classifier successfully halts that specific technique in more than 99% of cases. Anthropic explicitly warns enterprise clients that this safety enforcement comes at an operational cost. Because the new classifiers require an expanded “safety margin” to catch ambiguous edge cases, benign coding and debugging requests may be flagged more often. When a prompt is blocked by the safety layer, the active session automatically downgrades, routing the request to Opus 4.8. I n a post on X , Thariq Shihipar, a Member of Technical Staff at Anthropic working on Claude Code, said that Anthropic is “continuing to refine these safeguards to better distinguish genuine misuse from legitimate requests and reduce false positives.” Backroom Diplomacy: The Shifting of the Guard The breakthrough that brought Fable 5 back to commercial markets was as much political as it was technical. According to WIRED , Anthropic initially argued that the administration’s security concerns were overblown and that no frontier model provider could guarantee zero jailbreaks. That argument frustrated the administration, according to WIRED’s reporting. In recent weeks, Anthropic changed tack, focusing less on the theoretical impossibility of eliminating jailbreaks and more on building stronger safeguards and satisfying the government’s operational concerns. WIRED reported that Anthropic CEO Dario Amodei was recently replaced in meetings by Brown, whom officials liked more personally. Brown is also the addressee of Lutnick’s June 30 Commerce letter. Under Brown’s guidance, Anthropic appears to have moved from arguing over the absolute limits of model safety to committing to the expanded safeguards and collaboration framework the administration demanded. The resulting Commerce letter describes several commitments by Anthropic. Under the terms of the clearance, Anthropic has agreed to: Proactively detect and address security risks associated with the models. Work with the U.S. government on protocols, standards and releases for Mythos, Fable and future models. Inform the U.S. government of malicious activity. Separately, Anthropic says it will expand pre-release government access and evaluation for frontier models, share information rapidly when significant jailbreaks or misuse patterns are identified, dedicate resources to joint government research and work toward a common industry security bar. The U.S. Commerce Department explicitly reserved the right to re-evaluate these permissions and re-impose license requirements if circumstances change or if Anthropic fails to meet its commitments. The Sovereign Calculus: Lessons for Enterprise AI The two-week blackout of Claude Fable 5 exposed the fragility of centralized, closed-API models for modern business infrastructure. It showed that enterprise automation pipelines remain vulnerable to sudden regulatory shifts and vendor compliance mandates. The tech community’s response highlights a broader push toward hardware and model sovereignty. Following the initial shutdown, prominent tech figures voiced concerns over this centralization. AI founder Alex Finn described the Anthropic freeze as a major “wakeup call,” urging developers to invest heavily in local, open-weights infrastructure to insulate operations from federal volatility. As Finn noted on social media: “No company or government will EVER be able to take away your local models.” For enterprise architects, the return of Fable 5 demands a balanced approach to deployment: The Frontier Performance Advantage: Utilizing closed models like Fable 5 offers state-of-the-art capabilities across agentic coding, long-context work, document reasoning and multi-step enterprise automation, according to Anthropic’s launch materials and early customer examples. The Mitigating Data Trade-Off: Accessing Fable 5 means accepting Anthropic’s mandatory 30-day data retention requirement for covered models. Anthropic says prompts and model completions are retained for at least 30 days by default and then automatically deleted, except when they are part of a safety investigation or must be kept for legal reasons. Highly regulated financial, healthcare and legal groups must evaluate whether this telemetry window complies with their data privacy mandates. The truth is, enterprises in the U.S. and globally have more options than ever for frontier-class LLMs, especially with the recent launch over the last few months of new, powerful, open weights Chinese alternatives that can be downloaded, run locally or on virtual private clouds, and customized to any enterprise's liking. MiniMax M3 pairs frontier-tier coding and agentic performance with a 1 million-token context window and native multimodality. Z.ai’s GLM-5.2's benchmark results exceed OpenAI's GPT-5.5 on SWE-bench Pro and several long-horizon coding tests, and near Claude Opus 4.8 on FrontierSWE and MCP-Atlas. Meituan’s LongCat-2.0 is also positioned around enterprise use, with a 1 million-token context window, MIT licensing and strong early developer traction through its Owl Alpha run on OpenRouter — though as we reported, the full weights are still listed as “coming soon.” Meanwhile, Anthropic's top domestic rival OpenAI is still struggling to release its latest models broadly due to U.S. government pressure. The company says its newest and most powerful models, GPT-5.6 Sol, Terra and Luna — unveiled last week — are starting in a limited preview for a small group of trusted partners after OpenAI previewed the models and their capabilities to the U.S. government and the government requested the rollout be staggered. OpenAI says it still plans broader availability, but argued in its announcement that \"we don’t believe this kind of government access process should become the long-term default. It keeps the best tools from users, developers, enterprises, cyber defenders, and global partners who need them. We are taking this short-term step because we believe it is the strongest path to broader availability in the coming weeks, while we work with the Administration to develop the cyber Executive Order framework and a repeatable process for future model releases.\" The executive order in question, signed by President Donald J. Trump on June 2, 2026 , calls upon various federal agencies to collaborate on a process for benchmarking and assessing capabilities of new AI models to ensure they are safe and appropriate for wide release, a process supposed to take 30 days (which would seem to indicate the agencies are due to provide their process tomorrow, July 2, 2026.) Frontier model launches are starting to look less like ordinary product releases and more like negotiated deployments shaped by U.S. national security review — a shift that could slow American distribution even as Chinese competitors move aggressively through open-weight and lower-cost channels To safeguard operations against future regulatory lockouts, enterprise technical leaders are moving toward model-agnostic fallback architectures. By deploying proxy layers that can dynamically reroute critical production pipelines from proprietary APIs to locally hosted, open-weights alternatives, businesses can leverage top-tier capabilities without exposing themselves to single-point-of-failure vulnerabilities. Fable 5 is officially back online, but the landscape governing its release has been fundamentally transformed.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/qVrMQLioP4dj7Ghhm3e7u\/49e7bb13cdfa856e09d95e52598568e1\/ChatGPT_Image_Jul_1__2026__11_08_21_AM.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/anthropic-is-bringing-back-claude-fable-5-globally-after-us-lifts-export-control-order-where-can-enterprises-access-it",
            "date": "2026-07-01",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تعيد شركة Anthropic فيلم Claude Fable 5 عالميًا بعد أن رفعت الولايات المتحدة أمر مراقبة الصادرات - أين يمكن للشركات الوصول إليه؟",
            "summary_ar": "تستعيد Anthropic الوصول العالمي إلى أقوى نموذج للذكاء الاصطناعي تم إصداره بشكل عام حتى الآن، Claude Fable 5، اليوم، بعد أن سحبت وزارة التجارة الأمريكية الليلة الماضية ضوابط التصدير الطارئة التي أصدرتها سابقًا حول النموذج. أدى أمر مراقبة الصادرات الأمريكية الصادر في 12 يونيو 2026 إلى قيام Anthropic بتعليق جميع الوصول العالمي إلى كل من Fable 5 ونموذج نظيره الأقل تقييدًا في مجال الأمن السيبراني Claude Mythos 5، بعد أيام فقط من طرح كلا النموذجين في البداية. الآن، أصبحت Fable 5 متاحة مرة أخرى للمستخدمين على مستوى العالم عبر النظام البيئي الإنساني الأساسي، بما في ذلك منصة Claude وClaude.ai وClaude Code وClaude Cowork. أعلن حساب Claude الرسمي على X عن عودة النموذج في الساعة 3:31 مساءً بالتوقيت الشرقي في 1 يوليو 2026. للمنظمات الاستفادة clou",
            "body_ar": "تستعيد Anthropic الوصول العالمي إلى أقوى نموذج للذكاء الاصطناعي تم إصداره بشكل عام حتى الآن، Claude Fable 5، اليوم، بعد أن سحبت وزارة التجارة الأمريكية الليلة الماضية ضوابط التصدير الطارئة التي أصدرتها سابقًا حول النموذج. أدى أمر مراقبة الصادرات الأمريكية الصادر في 12 يونيو 2026 إلى قيام Anthropic بتعليق جميع الوصول العالمي إلى كل من Fable 5 ونموذج نظيره الأقل تقييدًا في مجال الأمن السيبراني Claude Mythos 5، بعد أيام فقط من طرح كلا النموذجين في البداية. الآن، أصبحت Fable 5 متاحة مرة أخرى للمستخدمين على مستوى العالم عبر النظام البيئي الإنساني الأساسي، بما في ذلك منصة Claude وClaude.ai وClaude Code وClaude Cowork. أعلن حساب Claude الرسمي على X عن عودة النموذج في الساعة 3:31 مساءً بالتوقيت الشرقي في 1 يوليو 2026. بالنسبة للمؤسسات التي تستفيد من أدوات التوسع السحابي، تقول Anthropic إنها تتحرك لإعادة تمكين الوصول إلى Amazon Web Services وGoogle Cloud وMicrosoft Foundry \"في أسرع وقت ممكن\". حتى الآن، لم يتمكن بحث VentureBeat من تأكيد ما إذا كانت النماذج قد تمت استعادتها على منصات الحوسبة السحابية الخارجية هذه حتى الآن. تظل Mythos 5 حالة مختلفة. رسالة منشورة على شبكة التواصل الاجتماعي X يُزعم أنها من الولايات المتحدة يقول وزير التجارة هوارد لوتنيك للمدير التنفيذي لشركة Anthropic توم براون إن الترخيص لم يعد مطلوبًا لتصدير Fable وMythos أو إعادة تصديرها أو نقلها داخل الدولة. لكن منشور إعادة النشر الخاص بشركة Anthropic على موقعها على الإنترنت يشير فقط إلى أنه تمت استعادة الوصول إلى Mythos 5 لـ \"مجموعة من المنظمات الأمريكية\"، بعد موافقة الحكومة في 26 يونيو. وتقول الشركة إنها تواصل التنسيق مع الحكومة لتوسيع الوصول إلى شركاء محليين ودوليين أوسع في برنامج اختبار الأمن السيبراني الخاص بها، Project Glasswing. وهذا يترك لعبة Mythos 5 في فئة متوسطة: حيث تم تخليصها قانونيًا من أمر مراقبة التصدير الطارئ، ولكنها غير متاحة بشكل عام. يبدو أن الحد الحالي يأتي من قرار Anthropic بإبقاء Mythos خلف نموذج الوصول الذي تم فحصه، مع الولايات المتحدة. لا تزال الحكومة تلعب دورًا في الموافقات والمعايير والتوسع. منشورًا على X، قال وزير التجارة هوارد لوتنيك إن Anthropic والحكومة \"عملا بشكل وثيق\" من أجل \"تحليل Fable 5 والموافقة عليه\"، في حين نشرت رئيسة موظفي البيت الأبيض سوزي وايلز أيضًا على X، مؤطرة القرار حول قيادة الذكاء الاصطناعي الأمريكي وسرعة النشر. وكتب وايلز أن الولايات المتحدة هي \"الفائز بلا منازع في سباق الذكاء الاصطناعي\"، مضيفًا أن الأولوية المشتركة هي \"نشر أفضل التقنيات في أسرع وقت وأمان قدر الإمكان\". ويأتي هذا التراجع في أعقاب مخاوف قادة الأمن السيبراني وخبراء سياسة الذكاء الاصطناعي بشأن أمر مراقبة الصادرات، الذين جادلوا بأن الولايات المتحدة تخاطر بعرقلة صناعتها بينما تمنح مختبرات الذكاء الاصطناعي الصينية فرصة. ووصف رئيس الأمن السابق في فيسبوك، أليكس ستاموس، تقييد Fable بأنه \"هدف خاص كبير للولايات المتحدة\"، محذرًا من أن شركات الأمن يمكن أن تندفع نحو النماذج الصينية، بينما قال منتقدون آخرون إن ما يسمى بالتدخل التنظيمي \"المخصص\" جعل الاعتماد على منصات الذكاء الاصطناعي الأمريكية يبدو وكأنه مسؤولية استراتيجية. تذكير بشأن تسعير Claude Fable 5 بالنسبة لكبار مسؤولي المعلومات والتكنولوجيا الذين يقومون بتقييم عودة النموذج، يأتي النشر مع ظروف هيكلية متميزة واستثمارات مالية كبيرة. تقوم Anthropic بتسعير كل من Fable 5 وMythos 5 بسعر 10.00 دولارات لكل مليون رمز إدخال و50.00 دولارًا لكل مليون رمز مخرج، وهو أغلى النماذج الحدودية على مستوى العالم. إدخال النموذج ($\/1 مليون) الإخراج ($\/1 مليون) الإجمالي ($\/1 مليون) المصدر MiMo-V2.5 Flash $0.10 $0.30 $0.40 Xiaomi Deepseek-v4-flash $0.14 $0.28 $0.42 DeepSeek Deepseek-v4-pro $0.435 $0.87 $1.305 DeepSeek MiniMax-M3 $0.30 $1.20 1.50 دولارًا MiniMax LongCat-2.0 - عرض ترويجي لفترة محدودة 0.30 دولارًا أمريكيًا 1.20 دولارًا 1.50 دولارًا LongCat Gemini 3.1 Flash-Lite 0.25 دولارًا 1.50 دولارًا 1.75 دولارًا Google Qwen3.7-Plus 0.40 دولارًا 1.60 دولارًا 2.00 دولارًا على بابا Cloud MiMo-V2.5 0.40 دولارًا 2.00 دولارًا 2.40 دولارًا Xiaomi LongCat-2.0 - قياسي 0.75 دولار أمريكي 2.95 دولار أمريكي 3.70 LongCat Grok 4.3 (سياق منخفض) 1.25 دولار أمريكي 2.50 دولار أمريكي 3.75 دولار أمريكي xAI MiMo-V2.5 Pro (256K) $1.00 $3.00 $4.00 Xiaomi Kimi-K2.6 $0.95 $4.00 $4.95 Moonshot AI GLM-5.2 $1.40 $4.40 $5.80 Z.ai GPT-5.6 Luna $1.00 $6.00 $7.00 OpenAI Grok 4.3 (سياق عالي) $2.50 $5.00 $7.50 xAI MiMo-V2.5 Pro (> 256K) $2.00 $6.00 $8.00 Xiaomi Qwen3.7-Max $2.50 $7.50 $10.00 Alibaba Cloud Gemini 3.5 Flash $1.50 $9.00 $10.50 Google Gemini 3.1 Pro Preview (200K) 2.00 $ $12.00 $14.00 جوجل GPT-5.6 Terra $2.50 $15.00 $17.50 OpenAI GPT-5.4 $2.50 $15.00 $17.50 OpenAI Gemini 3.1 Pro Preview (> 200 ألف) $4.00 $18.00 $22.00 Google Claude Opus 4.8 $5.00 $25.00 $30.00 Anthropic GPT-5.5 $5.00 $30.00 $35.00 OpenAI GPT-5.5 Instant (أحدث الدردشة) $5.00 $30.00 $35.00 OpenAI Sakana Fugu Ultra (≥272 ألف) $5.00 $30.00 $35.00 Sakana AI GPT-5.6 Sol $5.00 $30.00 $35.00 OpenAI Claude Fable 5 \/ Claude Mythos 5 $10.00 $50.00 $60.00 Anthropic ومع ذلك، لتحفيز التبني الفوري للمؤسسات بعد ملحمة تعطل أمر مراقبة التصدير، تنفذ Anthropic عملية مؤقتة خطة الطرح حتى 7 يوليو بالنسبة لاشتراكات Pro وMax وTeam وSelect Enterprise، سيتم تضمين استخدام Fable 5 دون أي تكلفة إضافية لما يصل إلى 50% من بدل الطبقة الأسبوعي للمستخدم. بعد 7 يوليو، ستنتقل Fable 5 إلى أرصدة الاستخدام لتلك الخطط. بالنسبة لمقاعد Enterprise القياسية، لا يوجد بدل Fable 5 مضمن؛ تتم محاسبة جميع الاستخدامات من خلال الأرصدة، ولن يعمل النموذج لهؤلاء المستخدمين ما لم يتم تمكين الأرصدة. بالفعل، يحاول بعض المؤثرين في مجال الذكاء الاصطناعي تقديم إرشادات للمؤسسات والمطورين حول كيفية تعظيم استخدامهم لـ Fable 5 خلال السعر \/ الاشتراك المخفض لمدة 7 أيام بما في ذلك الترويج: التسلسل الزمني للأزمة: من الإطلاق إلى الإغلاق تؤكد الدورة التنظيمية المحيطة بالنموذج على التقلبات التي تواجه حاليًا سلاسل توريد برامج المؤسسات. تكشفت الأزمة على مدار جدول زمني سريع مدته ثلاثة أسابيع: 9 يونيو 2026: تطلق Anthropic فيلمي Claude Fable 5 وMythos 5. تشير دراسات الحالة المبكرة للشركات إلى مكاسب كبيرة في الأداء. على سبيل المثال، أفاد موقع Stripe أن Fable 5 قام بضغط عملية ترحيل على مستوى قاعدة التعليمات البرمجية عبر بنية أساسية لروبي مكونة من 50 مليون سطر في يوم واحد - وهو مشروع من المقدر أن يستغرق فريقًا أكثر من شهرين. 12 يونيو 2026: الساعة 5:21 مساءً بالتوقيت الشرقي، أصدرت حكومة الولايات المتحدة توجيهًا لمراقبة الصادرات نقلاً عن سلطات الأمن القومي. ويحظر الأمر الوصول إلى العارضات من قبل أي مواطن أجنبي، سواء داخل أو خارج حدود الولايات المتحدة. نظرًا لافتقارها إلى آليات في الوقت الفعلي للتحقق من جنسية المستخدم في طبقة واجهة برمجة التطبيقات (API)، تضطر Anthropic إلى سحب القابس لجميع العملاء لضمان الامتثال. تقول أنثروبيك إن الوصول إلى جميع النماذج الأنثروبيكية الأخرى لم يتأثر. من 13 إلى 25 يونيو 2026: يواجه المستخدمون والمطورون في المؤسسات انقطاعًا مفاجئًا، مما يجبر سير العمل الذي اعتمد Fable 5 أو Mythos 5 على العودة إلى النماذج القديمة مثل Opus 4.8. بلغت التوترات ذروتها عندما اعترضت منظمة Anthropic علنًا، بحجة أن سحب نموذج تجاري كبير بسبب اكتشاف ضيق لكسر الحماية يمكن أن \"يوقف بشكل أساسي جميع عمليات نشر النماذج الجديدة لجميع موفري النماذج الحدودية\". 26 يونيو 2026: سمحت حكومة الولايات المتحدة لشركة Anthropic باستعادة وصول Mythos 5 إلى مجموعة من المواقع الأمريكية الموثوقة. المنظمات، مما يعكس جزئيًا أمر 12 يونيو. تقول Anthropic إنها تستعيد الوصول إلى تلك المنظمات وتواصل العمل مع الحكومة لتوسيع الوصول إلى Mythos 5 وإتاحة Fable 5 للعامة مرة أخرى. 30 يونيو 2026: أرسل وزير التجارة هوارد لوتنيك خطابًا يسحب فيه متطلبات ترخيص مراقبة التصدير بتاريخ 12 يونيو لكل من Mythos وFable. يزيل القرار الحظر القانوني الطارئ، لكن طرح Anthropic لا يزال يتعامل مع النماذج بشكل مختلف: تعود Fable 5 عالميًا، بينما يظل Mythos 5 يقتصر على المستخدمين المعتمدين من خلال Glasswing وقنوات الوصول الموثوقة ذات الصلة. المحفز الفني: تقرير نقاط الضعف في أمازون نشأ التدخل السريع من قبل الحكومة الفيدرالية من تقرير أعده باحثون في أمازون يصف طريقة لتجاوز ضمانات Fable 5. كانت هذه مفارقة قاسية بالنسبة لشركة Anthropic، نظرًا لأن أمازون كانت واحدة من الداعمين الأوائل والأكبر للشركة الناشئة بمبلغ يصل إلى 8 مليارات دولار، وقد تعاونت الشركتان سابقًا على تحسين المساعد الصوتي Alexa + من Amazon. وفقًا لـ Anthropic، دفعت هذه التقنية Fable 5 إلى تحديد نقاط الضعف في البرامج؛ وفي إحدى الحالات، أنتج النموذج تعليمات برمجية توضح كيفية استغلال الثغرة الأمنية ذات الصلة. عندما وصل التقرير إلى المسؤولين الحكوميين، أثار قلقًا بشأن القدرات السيبرانية الهجومية لنماذج اللغات الكبيرة العامة ذات الذكاء الاصطناعي (LLMs). وردت شركة Anthropic بأن الثغرة لم تستغل القدرات السيبرانية الفريدة \"على مستوى Mythos\"، مشيرة إلى أن اختباراتها الخاصة وجدت أن نماذج أخرى - بما في ذلك Claude Opus 4.8، وGPT-5.5 من OpenAI، وKimi K2.7 من Moonshot - يمكنها تحديد نفس نقاط الضعف. وقالت Anthropic أيضًا إن كل نموذج تم اختباره يمكن أن ينتج نفس عرض استغلال الثغرات مثل Fable 5. ولكسر الجمود التنظيمي، طورت Anthropic مصنفًا آليًا محسّنًا للسلامة تم تدريبه خصيصًا لالتقاط تقنية Amazon وتحييدها. تم اختبار المصنف المحدث من قبل مركز معايير الذكاء الاصطناعي والابتكار (CAISI) التابع لوزارة التجارة، ونجح في إيقاف هذه التقنية المحددة في أكثر من 99% من الحالات. تحذر Anthropic عملاء المؤسسات صراحةً من أن تطبيق السلامة هذا يأتي بتكلفة تشغيلية. نظرًا لأن المصنفات الجديدة تتطلب \"هامش أمان\" موسعًا لالتقاط حالات الحافة الغامضة، فقد يتم وضع علامة على طلبات الترميز وتصحيح الأخطاء الحميدة في كثير من الأحيان. عندما يتم حظر المطالبة بواسطة طبقة الأمان، يتم خفض مستوى الجلسة النشطة تلقائيًا، وتوجيه الطلب إلى Opus 4.8. في منشور على X، قال طارق شيبار، عضو الطاقم الفني في Anthropic الذي يعمل على Claude Code، إن Anthropic \"تواصل تحسين هذه الضمانات للتمييز بشكل أفضل بين إساءة الاستخدام الحقيقية والطلبات المشروعة وتقليل الإيجابيات الكاذبة\". دبلوماسية الكواليس: تغيير الحرس كان الاختراق الذي أعاد الخرافة 5 إلى الأسواق التجارية سياسيًا بقدر ما كان تقنيًا. وفقًا لـ WIRED، جادلت Anthropic في البداية بأن المخاوف الأمنية للإدارة مبالغ فيها وأنه لا يمكن لأي مزود نموذج حدودي أن يضمن عدم حدوث أي عمليات كسر حماية. هذه الحجة أحبطت الإدارة، وفقًا لتقرير WIRED. وفي الأسابيع الأخيرة، غيرت الأنثروبيك مسارها، حيث ركزت بشكل أقل على الاستحالة النظرية للقضاء على عمليات الهروب من السجن وبشكل أكبر على بناء ضمانات أقوى وتلبية المخاوف التشغيلية للحكومة. وذكرت مجلة WIRED أن الرئيس التنفيذي لشركة Anthropic، داريو أمودي، تم استبداله مؤخرًا في الاجتماعات ببراون، الذي كان المسؤولون يحبونه شخصيًا أكثر. براون هو أيضًا المرسل إليه خطاب لوتنيك التجاري بتاريخ 30 يونيو. وبتوجيه من براون، يبدو أن الأنثروبيك قد انتقلت من الجدال حول الحدود المطلقة لسلامة النماذج إلى الالتزام بالضمانات الموسعة وإطار التعاون الذي طالبت به الإدارة. ويصف الخطاب التجاري الناتج العديد من التزامات شركة Anthropic. وبموجب شروط التصريح، وافقت شركة Anthropic على ما يلي: الكشف بشكل استباقي عن المخاطر الأمنية المرتبطة بالنماذج ومعالجتها. العمل مع حكومة الولايات المتحدة على البروتوكولات والمعايير والإصدارات الخاصة بـ Mythos وFable والنماذج المستقبلية. إبلاغ حكومة الولايات المتحدة عن النشاط الضار. بشكل منفصل، تقول أنثروبيك إنها ستقوم بتوسيع نطاق الوصول الحكومي وتقييم النماذج الرائدة قبل الإصدار، ومشاركة المعلومات بسرعة عند تحديد عمليات كسر حماية كبيرة أو أنماط سوء الاستخدام، وتخصيص الموارد للبحث الحكومي المشترك والعمل نحو شريط أمني مشترك للصناعة. احتفظت وزارة التجارة الأمريكية صراحة بالحق في إعادة تقييم هذه الأذونات وإعادة فرض متطلبات الترخيص إذا تغيرت الظروف أو إذا فشلت Anthropic في الوفاء بالتزاماتها. حساب التفاضل والتكامل السيادي: دروس للذكاء الاصطناعي المؤسسي كشف انقطاع كلود فابل 5 لمدة أسبوعين عن هشاشة نماذج واجهة برمجة التطبيقات المركزية المغلقة للبنية التحتية الحديثة للأعمال. لقد أظهر أن مسارات التشغيل الآلي للمؤسسات تظل عرضة للتحولات التنظيمية المفاجئة وتفويضات امتثال البائعين. تسلط استجابة مجتمع التكنولوجيا الضوء على دفعة أوسع نحو سيادة الأجهزة والنماذج. بعد الإغلاق الأولي، أعربت شخصيات تقنية بارزة عن مخاوفها بشأن هذه المركزية. وصف مؤسس الذكاء الاصطناعي أليكس فين التجميد البشري بأنه \"نداء تنبيه\" رئيسي، وحث المطورين على الاستثمار بكثافة في البنية التحتية المحلية ذات الأوزان المفتوحة لعزل العمليات عن التقلبات الفيدرالية. وكما أشار فين على وسائل التواصل الاجتماعي: \"لن تتمكن أي شركة أو حكومة على الإطلاق من الاستغناء عن نماذجك المحلية\". بالنسبة لمهندسي المؤسسات، تتطلب عودة Fable 5 نهجًا متوازنًا للنشر: ميزة الأداء الحدودي: يوفر استخدام النماذج المغلقة مثل Fable 5 أحدث الإمكانات عبر الترميز الوكيل والعمل طويل السياق واستدلال المستندات والأتمتة المؤسسية متعددة الخطوات، وفقًا لمواد إطلاق Anthropic وأمثلة العملاء المبكرة. مقايضة البيانات المخففة: الوصول إلى Fable 5 يعني قبول متطلبات Anthropic الإلزامية للاحتفاظ بالبيانات لمدة 30 يومًا للنماذج المغطاة. تقول Anthropic أنه يتم الاحتفاظ بالمطالبات وإكمالات النماذج لمدة 30 يومًا على الأقل افتراضيًا ثم يتم حذفها تلقائيًا، إلا عندما تكون جزءًا من تحقيق السلامة أو يجب الاحتفاظ بها لأسباب قانونية. يجب على المجموعات المالية والصحية والقانونية الخاضعة للتنظيم العالي تقييم ما إذا كانت نافذة القياس عن بعد هذه تتوافق مع تفويضات خصوصية البيانات الخاصة بها. والحقيقة هي أن الشركات في الولايات المتحدة والعالم لديها خيارات أكثر من أي وقت مضى للحصول على ماجستير إدارة الأعمال من الدرجة الأولى، خاصة مع الإطلاق الأخير خلال الأشهر القليلة الماضية لبدائل صينية جديدة وقوية ومفتوحة الأوزان يمكن تنزيلها وتشغيلها محليًا أو على سحابات خاصة افتراضية، وتخصيصها حسب رغبة أي مؤسسة. يجمع MiniMax M3 بين الترميز الحدودي والأداء الوكيل مع نافذة سياق تحتوي على مليون رمز مميز وتعدد الوسائط الأصلية. تتجاوز النتائج القياسية لـ Z.ai GLM-5.2 نتائج OpenAI's GPT-5.5 على SWE-bench Pro والعديد من اختبارات الترميز طويلة المدى، وتقترب من Claude Opus 4.8 على FrontierSWE وMCP-Atlas. يتم وضع LongCat-2.0 من Meituan أيضًا حول الاستخدام المؤسسي، مع نافذة سياق تحتوي على مليون رمز مميز، وترخيص MIT وجاذبية قوية للمطورين من خلال تشغيل Owl Alpha على OpenRouter - على الرغم من أنه كما ذكرنا، لا تزال الأوزان الكاملة مدرجة على أنها \"قريبًا\". وفي الوقت نفسه، لا يزال OpenAI، أكبر منافس محلي لشركة Anthropic، يكافح من أجل إطلاق أحدث نماذجه على نطاق واسع بسبب ضغوط الحكومة الأمريكية. تقول الشركة إن أحدث وأقوى نماذجها، GPT-5.6 Sol وTerra وLuna - التي تم الكشف عنها الأسبوع الماضي - بدأت في معاينة محدودة لمجموعة صغيرة من الشركاء الموثوقين بعد أن قامت OpenAI بمعاينة النماذج وقدراتها للحكومة الأمريكية وطلبت الحكومة أن يكون الطرح متدرجًا. تقول OpenAI إنها لا تزال تخطط للتوفر على نطاق أوسع، لكنها قالت في إعلانها \"لا نعتقد أن هذا النوع من عملية الوصول الحكومية يجب أن يصبح الافتراضي على المدى الطويل. فهو يحتفظ بأفضل الأدوات من المستخدمين والمطورين والمؤسسات والمدافعين السيبرانيين والشركاء العالميين الذين يحتاجون إليها. نحن نتخذ هذه الخطوة قصيرة المدى لأننا نعتقد أنها أقوى طريق لتوفر أوسع في الأسابيع المقبلة، بينما نعمل مع الإدارة لتطوير إطار الأمر التنفيذي السيبراني وعملية قابلة للتكرار لإصدارات النماذج المستقبلية. دعا ترامب في 2 يونيو 2026 مختلف الوكالات الفيدرالية إلى التعاون في عملية قياس وتقييم قدرات نماذج الذكاء الاصطناعي الجديدة للتأكد من أنها آمنة ومناسبة للإصدار على نطاق واسع، وهي عملية من المفترض أن تستغرق 30 يومًا (والتي يبدو أنها تشير إلى أن الوكالات من المقرر أن تقدم عمليتها غدًا، 2 يوليو 2026). بدأت عمليات إطلاق النماذج الحدودية تبدو أقل شبهاً بإصدارات المنتجات العادية وأكثر مثل عمليات النشر المتفاوض عليها والتي شكلتها الولايات المتحدة. مراجعة الأمن القومي - وهو التحول الذي قد يؤدي إلى إبطاء التوزيع الأمريكي حتى مع تحرك المنافسين الصينيين بقوة من خلال قنوات مفتوحة الوزن ومنخفضة التكلفة لحماية العمليات ضد الإغلاق التنظيمي المستقبلي، يتجه القادة الفنيون في المؤسسات نحو هياكل احتياطية لا تعتمد على النماذج. ومن خلال نشر طبقات الوكيل التي يمكنها إعادة توجيه خطوط الإنتاج المهمة ديناميكيًا من واجهات برمجة التطبيقات الخاصة إلى البدائل المفتوحة ذات الأوزان المفتوحة المستضافة محليًا، يمكن للشركات الاستفادة من إمكانات المستوى الأعلى دون تعريض نفسها لثغرات أمنية في نقطة فشل واحدة. عادت Fable 5 إلى الإنترنت رسميًا، لكن المشهد الذي يحكم إصدارها كان أساسيًا تحولت.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/restaurants-can-now-accept-orders-placed-directly-from-chatgpt-and-claude-thanks-to-squares-new-low-fee-no-setup-integration",
            "title_en": "Restaurants can now accept orders placed directly from ChatGPT and Claude thanks to Square's new, low-fee, no setup integration",
            "summary_en": "Square is launching a new ChatGPT app and Claude plugin, enabling consumers to discover restaurants and seamlessly place orders directly within these AI platforms — and allowing restaurants, in turn, to accept orders from users and their AI agents without any technical capabilities. Even more helpfully for businesses, Square is processing these AI-driven transactions without charging the traditional marketplace commission fees that have historically squeezed the food and beverage sector. However, Square is still charging its typical online ordering fees of 3.3% plus $0.30 or 2.9% plus $0.30 per transaction for merchants subscribed to the Square Plus and Square Premium plans. The system pulls straight from the live Square catalog, dynamically mapping items, pricing, complex modifiers, and s",
            "body_en": "Square is launching a new ChatGPT app and Claude plugin, enabling consumers to discover restaurants and seamlessly place orders directly within these AI platforms — and allowing restaurants, in turn, to accept orders from users and their AI agents without any technical capabilities. Even more helpfully for businesses, Square is processing these AI-driven transactions without charging the traditional marketplace commission fees that have historically squeezed the food and beverage sector. However, Square is still charging its typical online ordering fees of 3.3% plus $0.30 or 2.9% plus $0.30 per transaction for merchants subscribed to the Square Plus and Square Premium plans. The system pulls straight from the live Square catalog, dynamically mapping items, pricing, complex modifiers, and stock availability so autonomous agents never display out-of-stock inventory. For enterprise testing and deployment verification, operators can manually audit their digital footprint by using the \"@\" symbol to invoke the Order by Cash App plugin directly within ChatGPT or connecting it via the Claude extension directory. Depending on the specific AI tool configuration, customers can either finalize checkout completely inside the chat window via Order by Cash App, or they will be seamlessly redirected to the merchant’s standard online ordering landing page with their chosen items and modifiers already fully populated in the basket. A more affordable online order system for restaurants To understand the significance of Square’s move, you have to look at the math that restaurant owners face in 2026. Third-party delivery and ordering apps have fundamentally altered the economics of the restaurant industry. Currently, the major players—DoorDash, Uber Eats, and Grubhub—charge restaurants a hefty premium for visibility and fulfillment. These exorbitant rates exist primarily because delivery aggregators bundle the logistical costs of gig-worker delivery fleets, platform marketing, and search placement into a single revenue-sharing model. According to recent pricing structures, DoorDash charges restaurants a 15% commission on its “Basic” delivery tier, which climbs to 25% for “Plus” and 30% for its top-tier “Premier” visibility plan. Even pickup orders carry a 6% marketplace fee. Uber Eats similarly exacts standard delivery marketplace fees ranging from 20% on its “Lite” tier up to 30% for premium placement, with pickup orders costing up to 10% if in-store pricing isn't strictly validated. Grubhub echoes these rates, taking between 5% and 20% of the total order value depending on the marketing and delivery package chosen. On top of these marketplace commissions, platforms still tack on their own payment processing fees—typically around 2.5% to 3.05% plus a fixed cent amount per order. For an independent restaurant that might only clear a 3% to 9% net profit on a good day, handing over a 25% or 30% commission on a $40 digital order essentially means preparing food at a loss. Square’s new integration specifically targets this pain point. By tapping into Square's ChatGPT and Claude integrations, eligible sellers are opted in automatically with no additional setup, no new APIs to build, and, crucially, zero added marketplace fees. Instead of surrendering a 30% cut to a delivery aggregator, a restaurant discovered through an AI agent only pays Square’s standard online transaction processing fee (which typically sits around 2.9% + 30¢ per transaction on a standard plan, with no monthly marketplace commission attached). Unlike the delivery aggregators, Square’s fee model does not natively subsidize a driver network. Instead, if an AI-generated order requires delivery, Square utilizes a white-label dispatch network that charges a flat courier fee—often around $7 to $10 depending on distance—rather than taxing a percentage of the total basket size. Restaurants can choose to absorb this flat delivery cost or pass it directly to the customer, completely protecting their food margins. The result is an AI-powered discovery channel that functions like direct, first-party ordering. How the tech works Square’s new integration is currently live for U.S.-based Food & Beverage sellers who have an activated Square Online Ordering profile. The system operates entirely in the background. Sellers manage their discoverability and business information—menus, operating hours, stock levels, and pricing—directly through their existing Square Dashboard. When a consumer prompts ChatGPT or Claude with a query like, “Find me a specialty coffee shop nearby with a great pour-over and order me a bag of their house roast,” the AI parses the real-time data provided by Square. Customers can browse the results, make their selections, and finalize the purchase using Order by Cash App, all without leaving the chat interface. The transaction is then routed instantly into the seller’s existing operational flow, popping up on their Square Point of Sale (POS) and Kitchen Display System just like an in-store or direct-website order. To help operators track the return on this new channel, the origin of the order is clearly tagged as an AI integration within Square’s backend reporting. “Consumer behaviors and preferences are constantly evolving, and business owners can easily find themselves playing an impossible game of catch-up,” said Morgan Kuntze, Global Partnerships Lead at Block, Square’s parent company. “Our investment into agentic commerce aims to offload that responsibility by giving operators time back, helping connect them with customers in their communities, and keeping them at the industry's cutting edge. Modern commerce is moving at a sprint, and we're building Square to help sellers appear everywhere customers are going.” Focusing on tech to let restaurants focus on food During its pilot phase, Square collaborated with Partners Coffee, a Brooklyn-based specialty coffee brand, to refine how AI-driven discovery translates into the real world. For operators like Partners Coffee, the goal isn't necessarily to become a hyper-digitized storefront, but rather to use digital efficiency to protect the physical experience of the cafe. \"We don't see coffee as transactional. To us, it's an opportunity to pause and reflect, a chance to unwind, and a catalyst for connection,\" noted Andrew Costaris, Digital VP at Partners Coffee, in a statement provided by Square to VentureBeat. \"The last thing we want is for our technology solutions to work against this mission or complicate the customer experience. With agentic commerce and AI tools working in the background, we're confident knowing that our business is being digitally discovered and is consistently growing in efficiency, while our customers can continue to enjoy a lo-fi, specialty coffee-first environment.\" An AI-driven e-commerce ecosystem The integration with ChatGPT and Claude is only the first step in Square’s broader agentic commerce strategy. The stakes are high: industry data cited by the company indicates that more than 42% of consumers now use AI tools to assist with shopping tasks like product discovery and comparison. By 2030, analysts project that agentic shoppers could drive nearly $385 billion in U.S. ecommerce spending. Most small and mid-size businesses simply do not have the developer teams or budgets required to build custom integrations for every new chatbot, voice assistant, or AI hardware device that hits the market. Square wants to serve as that universal connective tissue. To that end, the company announced it is actively working with Amazon to bring sellers into Alexa+ voice commerce experiences. Furthermore, Square is participating in major regulatory and standards groups—including the AAIF Agentic Commerce Working Group and the W3C Web Payments Working Group—to shape how AI agents and commerce platforms interact at scale. Particularly notable is Square’s ongoing partnership with Google to co-develop the Universal Commerce Protocol (UCP) spec for local food ordering. This open standard is designed to allow agents and systems to seamlessly communicate across the entire commerce journey. On Google’s end, UCP enables discovery and checkout across AI Overviews in Search and the Gemini app. As the UCP protocol expands globally, Square plans to roll out these capabilities so that its sellers remain front and center. For the more than 4.5 million sellers currently using Square, the promise of agentic commerce is clear: a way to capture the next generation of internet traffic without sacrificing the profit margins required to keep their doors open. If Square can successfully route AI orders directly to local business's POS systems—sidestepping the 30% toll of the delivery aggregators—it could mark a massive shift in how the restaurant industry navigates the modern digital economy.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/1kqTMwCRkXa8HuNrzAJwuY\/01461a24de4d008b37f601055ced6d8c\/H5PkE8d1OK1edwma1Hi9u_b1c5cd6d0b8b4b40a35c257cc6a4a709.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/restaurants-can-now-accept-orders-placed-directly-from-chatgpt-and-claude-thanks-to-squares-new-low-fee-no-setup-integration",
            "date": "2026-07-01",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يمكن للمطاعم الآن قبول الطلبات المقدمة مباشرةً من ChatGPT وClaude بفضل تكامل Square الجديد منخفض الرسوم وبدون إعداد",
            "summary_ar": "تطلق Square تطبيق ChatGPT جديدًا ومكونًا إضافيًا لـ Claude، مما يمكّن المستهلكين من اكتشاف المطاعم وتقديم الطلبات بسلاسة مباشرةً من خلال منصات الذكاء الاصطناعي هذه - والسماح للمطاعم بدورها بقبول الطلبات من المستخدمين ووكلاء الذكاء الاصطناعي الخاصين بهم دون أي قدرات تقنية. والأمر الأكثر فائدة للشركات هو أن Square تقوم بمعالجة هذه المعاملات التي تعتمد على الذكاء الاصطناعي دون فرض رسوم عمولة السوق التقليدية التي ضغطت تاريخياً على قطاع الأغذية والمشروبات. ومع ذلك، لا تزال Square تفرض رسوم الطلب النموذجية عبر الإنترنت بنسبة 3.3% بالإضافة إلى 0.30 دولار أو 2.9% بالإضافة إلى 0.30 دولار لكل معاملة للتجار المشتركين في خطتي Square Plus وSquare Premium. يسحب النظام مباشرة من كتالوج Live Square، ويعين العناصر ديناميكيًا، والتسعير، والمعدلات المعقدة، و",
            "body_ar": "تطلق Square تطبيق ChatGPT جديدًا ومكونًا إضافيًا لـ Claude، مما يمكّن المستهلكين من اكتشاف المطاعم وتقديم الطلبات بسلاسة مباشرةً من خلال منصات الذكاء الاصطناعي هذه - والسماح للمطاعم بدورها بقبول الطلبات من المستخدمين ووكلاء الذكاء الاصطناعي الخاصين بهم دون أي قدرات تقنية. والأمر الأكثر فائدة للشركات هو أن Square تقوم بمعالجة هذه المعاملات التي تعتمد على الذكاء الاصطناعي دون فرض رسوم عمولة السوق التقليدية التي ضغطت تاريخياً على قطاع الأغذية والمشروبات. ومع ذلك، لا تزال Square تفرض رسوم الطلب النموذجية عبر الإنترنت بنسبة 3.3% بالإضافة إلى 0.30 دولار أو 2.9% بالإضافة إلى 0.30 دولار لكل معاملة للتجار المشتركين في خطتي Square Plus وSquare Premium. يسحب النظام مباشرة من كتالوج Square المباشر، ويرسم خرائط العناصر بشكل ديناميكي، والتسعير، والمعدلات المعقدة، وتوافر المخزون، بحيث لا يعرض الوكلاء المستقلون أبدًا المخزون غير المتوفر. بالنسبة للاختبار المؤسسي والتحقق من النشر، يمكن للمشغلين تدقيق بصمتهم الرقمية يدويًا باستخدام الرمز \"@\" لاستدعاء المكون الإضافي Order by Cash App مباشرة داخل ChatGPT أو توصيله عبر دليل ملحق Claude. اعتمادًا على تكوين أداة الذكاء الاصطناعي المحددة، يمكن للعملاء إما إنهاء عملية الدفع بالكامل داخل نافذة الدردشة عبر تطبيق Order by Cash، أو سيتم إعادة توجيههم بسلاسة إلى الصفحة المقصودة القياسية للطلب عبر الإنترنت الخاصة بالتاجر مع العناصر والمعدلات التي اختاروها والتي تم ملؤها بالكامل بالفعل في السلة. نظام طلبات عبر الإنترنت بأسعار معقولة للمطاعم لفهم أهمية خطوة Square، عليك أن تنظر إلى الحسابات التي سيواجهها أصحاب المطاعم في عام 2026. لقد أحدثت تطبيقات التوصيل والطلب التابعة لجهات خارجية تغييرًا جذريًا في اقتصاديات صناعة المطاعم. في الوقت الحالي، يتقاضى اللاعبون الرئيسيون - DoorDash، وUber Eats، وGrubhub - من المطاعم علاوة كبيرة مقابل الرؤية والوفاء. توجد هذه المعدلات الباهظة في المقام الأول لأن شركات التوصيل تجمع التكاليف اللوجستية لأساطيل توصيل العمال، وتسويق المنصات، ووضع البحث في نموذج واحد لتقاسم الإيرادات. وفقًا لهياكل التسعير الحديثة، تفرض DoorDash على المطاعم عمولة بنسبة 15% على فئة التوصيل \"الأساسية\"، والتي ترتفع إلى 25% بالنسبة لخطة التوصيل \"Plus\" و30% بالنسبة لخطة الرؤية \"Premier\" من المستوى الأعلى. حتى طلبات الاستلام تحمل رسوم سوق بنسبة 6%. تفرض Uber Eats بالمثل رسوم سوق التوصيل القياسية التي تتراوح من 20% على فئة \"Lite\" إلى 30% للتنسيب المتميز، مع تكلفة طلبات الاستلام تصل إلى 10% إذا لم يتم التحقق من صحة الأسعار داخل المتجر بشكل صارم. يردد Grubhub هذه المعدلات، حيث يأخذ ما بين 5% و20% من إجمالي قيمة الطلب اعتمادًا على حزمة التسويق والتسليم المختارة. علاوة على عمولات السوق هذه، لا تزال المنصات تفرض رسوم معالجة الدفع الخاصة بها - عادةً ما تتراوح بين 2.5% إلى 3.05% بالإضافة إلى مبلغ سنت ثابت لكل طلب. بالنسبة لمطعم مستقل قد يحقق ربحًا صافيًا بنسبة 3٪ إلى 9٪ فقط في يوم جيد، فإن تسليم عمولة بنسبة 25٪ أو 30٪ على طلب رقمي بقيمة 40 دولارًا يعني بشكل أساسي إعداد الطعام بخسارة. يستهدف التكامل الجديد لـ Square نقطة الألم هذه على وجه التحديد. من خلال الاستفادة من تكاملات ChatGPT وClaude الخاصة بـ Square، يتم اختيار البائعين المؤهلين تلقائيًا دون أي إعداد إضافي، ولا توجد واجهات برمجة تطبيقات جديدة لإنشاءها، والأهم من ذلك، عدم وجود رسوم سوق إضافية. بدلاً من التنازل عن خصم بنسبة 30% لمجمع التوصيل، يدفع المطعم الذي يتم اكتشافه من خلال وكيل الذكاء الاصطناعي فقط رسوم معالجة المعاملات القياسية عبر الإنترنت الخاصة بـ Square (والتي تبلغ عادةً حوالي 2.9% + 30 سنتًا لكل معاملة على خطة قياسية، دون أي عمولة شهرية مرتبطة بالسوق). على عكس مجمعي التوصيل، فإن نموذج رسوم Square لا يدعم أصلاً شبكة السائقين. بدلاً من ذلك، إذا كان الطلب الذي تم إنشاؤه بواسطة الذكاء الاصطناعي يتطلب التسليم، تستخدم Square شبكة إرسال ذات علامة بيضاء تفرض رسوم بريد ثابتة - غالبًا ما تتراوح بين 7 إلى 10 دولارات اعتمادًا على المسافة - بدلاً من فرض ضريبة على نسبة مئوية من إجمالي حجم السلة. يمكن للمطاعم اختيار استيعاب تكلفة التوصيل الثابتة هذه أو تمريرها مباشرة إلى العميل، مما يحمي هوامش طعامها تمامًا. والنتيجة هي قناة اكتشاف مدعومة بالذكاء الاصطناعي تعمل مثل الطلب المباشر من الطرف الأول. كيف تعمل التقنية، أصبح التكامل الجديد لـ Square مباشرًا حاليًا لبائعي الأطعمة والمشروبات المقيمين في الولايات المتحدة والذين لديهم ملف تعريف Square Online Ordering نشط. يعمل النظام بالكامل في الخلفية. يدير البائعون قابلية الاكتشاف ومعلومات الأعمال الخاصة بهم - القوائم، وساعات العمل، ومستويات المخزون، والأسعار - مباشرةً من خلال لوحة معلومات Square الموجودة لديهم. عندما يطلب المستهلك من ChatGPT أو Claude استعلامًا مثل، \"ابحث لي عن مقهى متخصص قريب يقدم خدمة رائعة واطلب لي كيسًا من الشواء المنزلي الخاص بهم\"، يقوم الذكاء الاصطناعي بتحليل البيانات في الوقت الفعلي التي توفرها Square. ويمكن للعملاء تصفح النتائج وتحديد اختياراتهم وإنهاء عملية الشراء باستخدام تطبيق Order by Cash، كل ذلك دون مغادرة واجهة الدردشة. يتم بعد ذلك توجيه المعاملة على الفور إلى التدفق التشغيلي الحالي للبائع، وتظهر على نقطة البيع المربعة (POS) ونظام عرض المطبخ تمامًا مثل الطلب داخل المتجر أو الطلب المباشر على موقع الويب. لمساعدة المشغلين على تتبع العائد على هذه القناة الجديدة، يتم وضع علامة واضحة على أصل الطلب باعتباره تكاملًا للذكاء الاصطناعي ضمن تقارير الواجهة الخلفية لـ Square. وقال مورجان كونتز، رئيس الشراكات العالمية في شركة Block، الشركة الأم لشركة Square: \"إن سلوكيات المستهلكين وتفضيلاتهم تتطور باستمرار، ويمكن لأصحاب الأعمال أن يجدوا أنفسهم بسهولة يلعبون لعبة مستحيلة للحاق بالركب\". \"يهدف استثمارنا في التجارة الوكلاءية إلى التخلص من هذه المسؤولية من خلال منح المشغلين الوقت الكافي، والمساعدة في ربطهم بالعملاء في مجتمعاتهم، وإبقائهم في طليعة الصناعة. التجارة الحديثة تتحرك بسرعة كبيرة، ونحن نبني Square لمساعدة البائعين على الظهور في كل مكان يذهب إليه العملاء. التركيز على التكنولوجيا للسماح للمطاعم بالتركيز على الطعام خلال مرحلتها التجريبية، تعاونت Square مع Partners Coffee، وهي علامة تجارية متخصصة في القهوة ومقرها بروكلين، لتحسين كيفية ترجمة الاكتشاف القائم على الذكاء الاصطناعي إلى العالم الحقيقي. بالنسبة لمشغلين مثل Partners Coffee، لا يتمثل الهدف بالضرورة في أن تصبح واجهة متجر رقمية للغاية، بل بدلاً من ذلك استخدام الكفاءة الرقمية لحماية التجربة المادية للمقهى. \"نحن لا نرى القهوة باعتبارها معاملات. بالنسبة لنا، إنها فرصة للتوقف والتأمل، وفرصة للاسترخاء، وحافز للتواصل،\" أشار أندرو كوستاريس، نائب الرئيس الرقمي في Partners Coffee، في بيان قدمته Square إلى VentureBeat. \"آخر شيء نريده هو أن تعمل حلولنا التقنية ضد هذه المهمة أو تعقيد تجربة العملاء. من خلال التجارة الوكيلة وأدوات الذكاء الاصطناعي التي تعمل في الخلفية، نحن واثقون من معرفة أن أعمالنا يتم اكتشافها رقميًا وتنمو باستمرار من حيث الكفاءة، بينما يمكن لعملائنا الاستمرار في الاستمتاع ببيئة lo-fi المتخصصة في القهوة أولاً. المخاطر كبيرة: تشير بيانات الصناعة التي استشهدت بها الشركة إلى أن أكثر من 42% من المستهلكين يستخدمون الآن أدوات الذكاء الاصطناعي للمساعدة في مهام التسوق مثل اكتشاف المنتجات ومقارنتها. بحلول عام 2030، يتوقع المحللون أن المتسوقين الوكلاء يمكن أن يدفعوا ما يقرب من 385 مليار دولار من الإنفاق على التجارة الإلكترونية في الولايات المتحدة. لا تمتلك معظم الشركات الصغيرة ومتوسطة الحجم ببساطة فرق التطوير أو الميزانيات اللازمة لإنشاء عمليات تكامل مخصصة لكل روبوت محادثة جديد أو مساعد صوتي أو جهاز يعمل بالذكاء الاصطناعي يصل إلى السوق. يريد Square أن يكون بمثابة النسيج الضام العالمي. ولتحقيق هذه الغاية، أعلنت الشركة أنها تعمل بنشاط مع أمازون لجذب البائعين إلى تجارب التجارة الصوتية لـ Alexa+. علاوة على ذلك، تشارك Square في المجموعات التنظيمية والمعايير الرئيسية - بما في ذلك مجموعة عمل التجارة الوكيلة لـ AAIF ومجموعة عمل مدفوعات الويب W3C - لتشكيل كيفية تفاعل وكلاء الذكاء الاصطناعي ومنصات التجارة على نطاق واسع. وتجدر الإشارة بشكل خاص إلى شراكة Square المستمرة مع Google للمشاركة في تطوير مواصفات بروتوكول التجارة العالمي (UCP) لطلب الطعام المحلي. تم تصميم هذا المعيار المفتوح للسماح للوكلاء والأنظمة بالتواصل بسلاسة عبر رحلة التجارة بأكملها. من ناحية Google، يتيح UCP الاكتشاف والخروج عبر نظرة عامة على الذكاء الاصطناعي في البحث وتطبيق Gemini. مع توسع بروتوكول UCP عالميًا، تخطط Square لطرح هذه الإمكانات بحيث يظل بائعوها في المقدمة والوسط. بالنسبة لأكثر من 4.5 مليون بائع يستخدمون Square حاليًا، فإن الوعد بالتجارة الوكيلة واضح: طريقة لالتقاط الجيل التالي من حركة المرور على الإنترنت دون التضحية بهوامش الربح المطلوبة لإبقاء أبوابهم مفتوحة. إذا نجحت Square في توجيه طلبات الذكاء الاصطناعي مباشرةً إلى أنظمة نقاط البيع الخاصة بالشركات المحلية - متجاوزة رسوم مجمعي التوصيل البالغة 30% - فقد يمثل ذلك تحولًا هائلاً في كيفية تنقل صناعة المطاعم في العصر الرقمي الحديث. اقتصاد.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/digital-resilience-compounds-when-ai-and-human-expertise-scale-together",
            "title_en": "Digital resilience compounds when AI and human expertise scale together",
            "summary_en": "Presented by Splunk Agentic AI is making IT and security teams dramatically more efficient. But it’s also removing the apprenticeship that has long produced experienced operators. As organizations automate more of the work once performed by junior analysts and engineers, they’re confronting a challenge that’s as much about workforce design as architecture design: how to build the next generation of experts when AI handles the work that once trained them. What the junior workforce has been doing For two decades, the path to becoming a world-class SecOps analyst, SRE, or NetOps engineer ran through repetition. Triaging false positives. Hunting through dashboards for context. Reading logs at 2 a.m. that turned out to be benign. The industry treated this work as drudgery, and in many ways it w",
            "body_en": "Presented by Splunk Agentic AI is making IT and security teams dramatically more efficient. But it’s also removing the apprenticeship that has long produced experienced operators. As organizations automate more of the work once performed by junior analysts and engineers, they’re confronting a challenge that’s as much about workforce design as architecture design: how to build the next generation of experts when AI handles the work that once trained them. What the junior workforce has been doing For two decades, the path to becoming a world-class SecOps analyst, SRE, or NetOps engineer ran through repetition. Triaging false positives. Hunting through dashboards for context. Reading logs at 2 a.m. that turned out to be benign. The industry treated this work as drudgery, and in many ways it was. But it also served as the apprenticeship. The thousands of hours an analyst spent staring at traffic patterns built the intuition that made them invaluable when a real attack arrived. That intuition was not taught in a single course or captured in a runbook. It was accumulated through exposure, pattern recognition, failure, and escalation. Over time, this is how people earn deep analytical experience. However, agentic AI is now beginning to automate the very tasks that once served as the training ground for that expertise. That is not a reason to slow down. The drudgery was costly. The burnout was real. Organizations should use agents to reduce toil wherever they can. At the same time, as we remove that apprenticeship loop, we need to provide operators something better in its place. How organizations approach this issue today will determine the winners for the future. Organizations that approach this deliberately will produce the operators skilled to succeed in the next decade. Organizations that punt on this may find themselves with faster systems today, but with fewer people who understand them deeply enough to govern them tomorrow. When automation hollows out accountability There is also a second dimension to this conversation that gets less attention than it should. In regulated environments, the drudgery of apprenticeship is part of the accountability layer. Frameworks from SOX to PCI DSS to HIPAA to NIS2 assume there is a chain of human judgments behind a control decision. Auditors do not interview models. They interview people who can explain why a system did what it did, why the decision was sound, and whether the right controls were in place. When the population of professionals who can explain that chain begins to thin, the risk may not appear immediately. The control may still pass. The workflow may still be executed. The dashboard may still look green. But the underlying organizational memory begins to hollow out. This is not simply a tooling problem. It is also a workforce skill and design problem. And for organizations moving quickly on agentic adoption, the risk is closer than many think. Building human expertise to govern AI When we lose part of the accountability layer to agents, humans will step into a different type of governance role. Governing an agentic system means implementing automated guardrails that adapt to non-deterministic agent behavior and ensure s agents behave appropriately under conditions no one fully anticipated. It means designing escalation criteria that catch the right anomalies without overwhelming humans with the wrong ones. It means implementing dynamic tools, alerts, and processes to review machine decisions to detect drift, bias, and reasoning failures that no individual case would reveal. The ability to evaluate and respond to these exceptions requires judgment built over years of experience, learning pattern recognition that the old apprenticeship model used to produce. That is why the workforce question and the architecture question are now the same question. If we expect humans to govern increasingly autonomous systems, we need intentional pathways that help people manage the scale and speed of AI systems while building the intuition and judgment in human operators required to do that work. In the AI era, the most valuable platforms will not simply automate the most tasks. They will help people become more capable, more credible, and more essential as the systems around them become faster and more intelligent. That means organizations need to invest in the full ecosystem of expertise for operators: communities that spread shared practices, certifications or other proofs that make expertise visible, and human-oriented explanations and verifications in the AI along with learning paths that build capability. Empowerment is an architecture design choice Human empowerment is a critical part of the conversation around the practical use of AI. However, without an intentional strategy to back this up, it risks becoming the kind of phrase that means nothing because it can mean anything. Empowerment for agentic systems cannot just be a conceptual requirement. It has to be a set of design choices baked into how systems behave. An agentic system that empowers its human operators and grows their professional skillset does four things: 1. Exposes reasoning, with the data lineage behind it Every recommendation an agent makes should be traceable to the data it considered, the logic it applied, and the provenance of the inputs it used. Operators who can see reasoning develop judgment about when to trust it. Operators handed only conclusions do not. 2. Tiers authority by confidence and impact Familiar, low-risk patterns can be handled autonomously. Novel situations or actions with meaningful blast radius should escalate by default. The boundary should be explicit and configurable by the teams that own the consequences. 3. Treats disagreements as a correction signal When an experienced engineer overrides an agent, they are doing more than disagreeing. They are correcting the system with judgment the model did not have: a fragile dependency, a quirk in the environment, a constraint the data never saw. A system that registers the override but ignores the reasoning behind it learns nothing from the one moment a human knew better. 4. Captures resolutions as cross-domain knowledge How an incident gets resolved is a lesson that rarely stays in one lane. A SecOps incident may expose an ITOps weakness. A network issue may trace back to business impact. When that connection lives only inside a closed ticket, the next team to hit it starts from zero. Resolutions should travel across domains, not die where they were filed. These are not aspirational qualities. They are testable product capabilities. Leaders evaluating agentic systems should be able to identify where these capabilities live, what happens when they fail, and whether operator skill improves after deployment. The next advantage is when human and AI scale together For AI systems to be practical, trusted, and work at scale, the critical design point is for the AI to work deeply alongside and empower human operators. As such, the agentic era is not a story about replacing humans. It is a story about redesigning the systems humans operate so that these operations can happen at machine speed and scale, while human expertise grows at the same time. Together, rather than at each other's expense. That outcome is not a given. It will happen only where leaders treat operator development as a priority, not an afterthought. To achieve this, agentic systems have to be intentionally designed to expose reasoning, capture learning, and route work back to humans in ways that build skill and career rather than erode both. The agents will keep getting smarter and faster. The ability of operators who work alongside them to learn and grow in lockstep, will determine whether the next decade of digital resilience is something organizations truly own, or something they rent from a shrinking pool of expertise. Learn more about how Cisco Data Fabric powered by the Splunk Platform is helping teams accelerate agentic operations. Kamal Hathi is SVP and GM of Splunk, a Cisco Company. Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/5AXAMt7BDGYRlrMibkLrl0\/4582002d39ac476ec2523200d43ea681\/Splunk.jpeg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/digital-resilience-compounds-when-ai-and-human-expertise-scale-together",
            "date": "2026-07-01",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تتضاعف المرونة الرقمية عندما يتكامل الذكاء الاصطناعي والخبرة البشرية معًا",
            "summary_ar": "تعمل تقنية الذكاء الاصطناعي المقدمة من Splunk Agentic على جعل فرق تكنولوجيا المعلومات والأمن أكثر كفاءة بشكل كبير. ولكنه يلغي أيضًا التدريب المهني الذي أنتج منذ فترة طويلة مشغلين ذوي خبرة. نظرًا لأن المؤسسات تعمل على أتمتة المزيد من العمل الذي كان يؤديه المحللون والمهندسون المبتدئون في السابق، فإنها تواجه تحديًا يتعلق بتصميم القوى العاملة بقدر ما يتعلق بالتصميم المعماري: كيفية بناء الجيل القادم من الخبراء عندما يتعامل الذكاء الاصطناعي مع العمل الذي دربهم في السابق. ما كانت تفعله القوى العاملة المبتدئة على مدار عقدين من الزمن، كان الطريق إلى أن تصبح محللًا عالمي المستوى في SecOps، أو SRE، أو مهندس NetOps يمر عبر التكرار. فرز الإيجابيات الكاذبة. البحث من خلال لوحات المعلومات عن السياق. قراءة السجلات في الساعة الثانية صباحًا والتي تبين أنها حميدة. تعاملت الصناعة مع هذا العمل على أنه عمل شاق، وهو كذلك من نواحٍ عديدة",
            "body_ar": "تعمل تقنية الذكاء الاصطناعي المقدمة من Splunk Agentic على جعل فرق تكنولوجيا المعلومات والأمن أكثر كفاءة بشكل كبير. ولكنه يلغي أيضًا التدريب المهني الذي أنتج منذ فترة طويلة مشغلين ذوي خبرة. نظرًا لأن المؤسسات تعمل على أتمتة المزيد من العمل الذي كان يؤديه المحللون والمهندسون المبتدئون في السابق، فإنها تواجه تحديًا يتعلق بتصميم القوى العاملة بقدر ما يتعلق بالتصميم المعماري: كيفية بناء الجيل القادم من الخبراء عندما يتعامل الذكاء الاصطناعي مع العمل الذي دربهم في السابق. ما كانت تفعله القوى العاملة المبتدئة على مدار عقدين من الزمن، كان الطريق إلى أن تصبح محللًا عالمي المستوى في SecOps، أو SRE، أو مهندس NetOps يمر عبر التكرار. فرز الإيجابيات الكاذبة. البحث من خلال لوحات المعلومات عن السياق. قراءة السجلات في الساعة الثانية صباحًا والتي تبين أنها حميدة. تعاملت الصناعة مع هذا العمل باعتباره عملاً شاقًا، وقد كان كذلك من نواحٍ عديدة. لكنها كانت أيضًا بمثابة التدريب المهني. إن آلاف الساعات التي قضاها المحلل في التحديق في أنماط حركة المرور قد بنت الحدس الذي جعلها لا تقدر بثمن عند وصول هجوم حقيقي. لم يتم تدريس هذا الحدس في دورة واحدة أو تم تسجيله في دليل التدريب. لقد تم تجميعها من خلال التعرض والتعرف على الأنماط والفشل والتصعيد. مع مرور الوقت، هذه هي الطريقة التي يكتسب بها الأشخاص خبرة تحليلية عميقة. ومع ذلك، بدأ الذكاء الاصطناعي الوكيل الآن في أتمتة المهام ذاتها التي كانت في السابق بمثابة ساحة تدريب لتلك الخبرة. وهذا ليس سببا للتباطؤ. وكان الكدح مكلفا. كان الإرهاق حقيقيا. يجب على المنظمات استخدام وكلاء لتقليل الكدح حيثما أمكنهم ذلك. وفي الوقت نفسه، بينما نقوم بإزالة حلقة التدريب المهني هذه، نحتاج إلى تزويد المشغلين بشيء أفضل في مكانه. إن الطريقة التي تتعامل بها المنظمات مع هذه القضية اليوم ستحدد الفائزين في المستقبل. إن المنظمات التي تتعامل مع هذا الأمر بشكل متعمد ستنتج مشغلين ماهرين لتحقيق النجاح في العقد القادم. قد تجد المنظمات التي تعتمد على هذا الأمر نفسها لديها أنظمة أسرع اليوم، ولكن مع عدد أقل من الأشخاص الذين يفهمونها بعمق بما يكفي ليحكموها غدًا. عندما تؤدي الأتمتة إلى إفراغ المساءلة هناك أيضًا بُعد ثانٍ لهذه المحادثة يحظى باهتمام أقل مما ينبغي. في البيئات المنظمة، يعتبر كدح التدريب المهني جزءًا من طبقة المساءلة. تفترض الأطر بدءًا من SOX إلى PCI DSS إلى HIPAA إلى NIS2 وجود سلسلة من الأحكام البشرية وراء قرار التحكم. لا يقوم المدققون بإجراء مقابلات مع النماذج. إنهم يجرون مقابلات مع الأشخاص الذين يمكنهم شرح سبب قيام النظام بما فعله، ولماذا كان القرار سليما، وما إذا كانت الضوابط الصحيحة موجودة أم لا. عندما يبدأ عدد المحترفين الذين يمكنهم شرح تلك السلسلة في التناقص، فقد لا يظهر الخطر على الفور. ربما لا يزال من الممكن تمرير عنصر التحكم. لا يزال من الممكن تنفيذ سير العمل. ربما لا تزال لوحة القيادة تبدو خضراء. لكن الذاكرة التنظيمية الأساسية بدأت في التجويف. هذه ليست مجرد مشكلة الأدوات. إنها أيضًا مشكلة تتعلق بمهارة القوى العاملة وتصميمها. وبالنسبة للمؤسسات التي تتحرك بسرعة نحو اعتماد الوكلاء، فإن الخطر أقرب مما يعتقده الكثيرون. بناء الخبرة البشرية لحكم الذكاء الاصطناعي عندما نفقد جزءًا من طبقة المساءلة أمام الوكلاء، سينتقل البشر إلى نوع مختلف من دور الحوكمة. إن إدارة نظام وكيل يعني تنفيذ حواجز حماية آلية تتكيف مع سلوك الوكيل غير الحتمي وتضمن تصرف الوكلاء بشكل مناسب في ظل ظروف لم يتوقعها أحد بشكل كامل. ويعني ذلك تصميم معايير تصعيد تلتقط الحالات الشاذة الصحيحة دون إرباك البشر بالحالات الخاطئة. ويعني ذلك تنفيذ أدوات وتنبيهات وعمليات ديناميكية لمراجعة قرارات الآلة لاكتشاف الانحراف والتحيز وفشل الاستدلال الذي لن تكشفه أي حالة فردية. وتتطلب القدرة على تقييم هذه الاستثناءات والاستجابة لها حكمًا مبنيًا على سنوات من الخبرة، والتعرف على أنماط التعلم التي كان نموذج التدريب المهني القديم ينتجها. ولهذا السبب فإن سؤال القوى العاملة وسؤال الهندسة المعمارية أصبحا الآن نفس السؤال. إذا كنا نتوقع من البشر أن يحكموا أنظمة مستقلة بشكل متزايد، فنحن بحاجة إلى مسارات مقصودة تساعد الناس على إدارة حجم وسرعة أنظمة الذكاء الاصطناعي مع بناء الحدس والحكم لدى المشغلين البشريين اللازمين للقيام بهذا العمل. في عصر الذكاء الاصطناعي، لن تقوم المنصات الأكثر قيمة ببساطة بأتمتة معظم المهام. وسوف تساعد الناس على أن يصبحوا أكثر قدرة، وأكثر مصداقية، وأكثر أهمية حيث تصبح الأنظمة من حولهم أسرع وأكثر ذكاءً. وهذا يعني أن المؤسسات بحاجة إلى الاستثمار في النظام البيئي الكامل للخبرة للمشغلين: المجتمعات التي تنشر الممارسات المشتركة أو الشهادات أو الأدلة الأخرى التي تجعل الخبرة مرئية، والتفسيرات والتحققات الموجهة نحو الإنسان في الذكاء الاصطناعي إلى جانب مسارات التعلم التي تبني القدرات. التمكين هو خيار تصميم معماري. يعد التمكين البشري جزءًا مهمًا من المحادثة حول الاستخدام العملي للذكاء الاصطناعي. ومع ذلك، بدون استراتيجية مقصودة لدعم هذا الأمر، فإنها تخاطر بأن تصبح عبارة من النوع الذي لا يعني شيئًا لأنه يمكن أن يعني أي شيء. لا يمكن أن يكون تمكين الأنظمة الفاعلية مجرد مطلب مفاهيمي. يجب أن تكون عبارة عن مجموعة من خيارات التصميم المضمنة في كيفية تصرف الأنظمة. يقوم النظام الوكيل الذي يعمل على تمكين مشغليه البشريين وتنمية مهاراتهم المهنية بأربعة أشياء: 1. يكشف المنطق، مع نسب البيانات وراءه. يجب أن تكون كل توصية يقدمها الوكيل قابلة للتتبع إلى البيانات التي أخذها في الاعتبار، والمنطق الذي طبقه، ومصدر المدخلات التي استخدمها. المشغلون الذين يمكنهم رؤية المنطق يطورون حكمًا حول متى يثقون به. مشغلي تسليم الاستنتاجات فقط لا. 2. مستويات السلطة من خلال الثقة والتأثير يمكن التعامل مع الأنماط المألوفة منخفضة المخاطر بشكل مستقل. يجب أن تتصاعد المواقف أو الإجراءات الجديدة ذات نصف قطر الانفجار ذي المغزى بشكل افتراضي. يجب أن تكون الحدود واضحة وقابلة للتكوين من قبل الفرق التي تمتلك العواقب. 3. يتعامل مع الخلافات كإشارة تصحيح عندما يقوم مهندس ذو خبرة بتجاوز وكيل، فهو يفعل أكثر من مجرد اختلاف. إنهم يصححون النظام بحكم لم يكن لدى النموذج: تبعية هشة، وخلل في البيئة، وقيد لم تره البيانات مطلقًا. إن النظام الذي يسجل التجاوز ولكنه يتجاهل الأسباب الكامنة وراءه لا يتعلم شيئًا من اللحظة التي يعرف فيها الإنسان شيئًا أفضل. 4. يلتقط الحلول كمعرفة عبر المجالات. إن كيفية حل حادث ما هو درس نادرًا ما يبقى في مسار واحد. قد يكشف حادث SecOps عن نقاط ضعف ITOps. قد تعود مشكلة الشبكة إلى تأثير الأعمال. عندما يكون هذا الاتصال موجودًا فقط داخل تذكرة مغلقة، فإن الفريق التالي الذي يصل إليه يبدأ من الصفر. يجب أن تنتقل القرارات عبر المجالات، ولا تموت حيث تم تقديمها. هذه ليست صفات طموحة. إنها قدرات منتج قابلة للاختبار. يجب أن يكون القادة الذين يقومون بتقييم الأنظمة الوكيلة قادرين على تحديد مكان وجود هذه القدرات، وما يحدث عندما تفشل، وما إذا كانت مهارة المشغل تتحسن بعد النشر. الميزة التالية هي عندما يتوسع الإنسان والذكاء الاصطناعي معًا. لكي تكون أنظمة الذكاء الاصطناعي عملية وموثوقة وتعمل على نطاق واسع، فإن نقطة التصميم الحاسمة هي أن يعمل الذكاء الاصطناعي بعمق جنبًا إلى جنب مع المشغلين البشريين وتمكينهم. وعلى هذا النحو، فإن عصر الوكلاء ليس قصة استبدال البشر. إنها قصة حول إعادة تصميم الأنظمة التي يعمل بها البشر بحيث يمكن أن تتم هذه العمليات بسرعة الآلة وعلى نطاق واسع، بينما تنمو الخبرة البشرية في نفس الوقت. معا، وليس على حساب بعضنا البعض. هذه النتيجة ليست أمرا مفروغا منه. ولن يحدث ذلك إلا عندما يتعامل القادة مع تطوير المشغلين كأولوية، وليس كفكرة لاحقة. ولتحقيق ذلك، يجب أن يتم تصميم الأنظمة الفاعلية بشكل مقصود لكشف المنطق، واستخلاص التعلم، وإعادة توجيه العمل إلى البشر بطرق تبني المهارات والمهنة بدلاً من تآكل كليهما. سوف يستمر الوكلاء في أن يصبحوا أكثر ذكاءً وأسرع. إن قدرة المشغلين الذين يعملون جنبًا إلى جنب معهم على التعلم والنمو بوتيرة ثابتة، ستحدد ما إذا كان العقد القادم من المرونة الرقمية هو شيء تمتلكه المؤسسات حقًا، أم أنه شيء تستأجره من مجموعة الخبرات المتقلصة. تعرف على المزيد حول كيفية قيام Cisco Data Fabric المدعوم من Splunk Platform بمساعدة الفرق على تسريع عمليات الوكلاء. كمال هاثي هو نائب الرئيس الأول والمدير العام لشركة Splunk، إحدى شركات Cisco. المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/salesforces-agentforce-vibes-2-0-targets-a-hidden-failure-context-overload-in-ai-agents",
            "title_en": "Salesforce’s Agentforce Vibes 2.0 targets a hidden failure: context overload in AI agents",
            "summary_en": "When startup fundraising platform VentureCrowd began deploying AI coding agents, they saw the same gains as other enterprises: they cut the front-end development cycle by 90% in some projects. However, it didn’t come easy or without a lot of trial and error. VentureCrowd’s first challenge revolved around data and context quality, since Diego Mogollon, chief product officer at VentureCrowd, told VentureBeat that “agents reason against whatever data they can access at runtime” and would then be confidently “wrong” because they’re only basing their knowledge on the context given to them. Their other roadblock, like many others, was messy data and unclear processes. Similar to context, Mogollon said coding agents would amplify bad data, so the company had to build a well-structured codebase fi",
            "body_en": "When startup fundraising platform VentureCrowd began deploying AI coding agents, they saw the same gains as other enterprises: they cut the front-end development cycle by 90% in some projects. However, it didn’t come easy or without a lot of trial and error. VentureCrowd’s first challenge revolved around data and context quality, since Diego Mogollon, chief product officer at VentureCrowd, told VentureBeat that “agents reason against whatever data they can access at runtime” and would then be confidently “wrong” because they’re only basing their knowledge on the context given to them. Their other roadblock, like many others, was messy data and unclear processes. Similar to context, Mogollon said coding agents would amplify bad data, so the company had to build a well-structured codebase first. “The challenges are rarely about the coding agents themselves; they are about everything around them,” said Mogollon. “It’s a context problem disguised as an AI problem, and it is the number one failure mode I see across agentic implementations.” Mogollon said VentureCrowd encountered several roadblocks in overhauling its software development. VentureCrowd's experience illustrates a broader issue in AI agent development. The models are not failing the agents; rather, they become overwhelmed by too much context and too many tools at once. Too much context This comes from a phenomenon called Context bloat , when AI systems accumulate more and more data, tools or instructions, the more complex the workflows become. The problem arises because agents need context to work better, but too much of it creates noise. And the more context an agent has to sift through, the more tokens it uses, the work slows down and the costs increase. One way to curb context bloat is through context engineering. Context engineering helps agents understand code changes or pull requests and align them with their tasks. However, context engineering often becomes an external task rather than built into the coding platforms enterprises use to build their agents. How coding agent providers respond VentureCrowd relied on one solution in particular to help it overcome the issues with context bloat plaguing its enterprise AI agent deployment: Salesforce’s Agentforce Vibes, a coding platform that lives within Salesforce and is available for all plans starting with the free one . Salesforce recently updated Agentforce Vibes to version 2.0, expanding support for third-party frameworks like ReAct. Most important for companies like VentureCrowd, Agentforce Vibes added Abilities and Skills, which they can use to direct agent behavior. “For context, our entire platform, frontend and backend, runs on the Salesforce ecosystem. So when Agentforce Vibes launched, it slotted naturally into an environment we already knew well,” Mogollon said. Salesforce’s approach doesn’t minimize the context agents use; rather, it helps enterprises ensure that context stays within their data models or codebases. Agentforce Vibes adds additional execution through the new Skills and Abilities feature. Abilities define what agents want to accomplish, and Skills are the tools they will use to get there. Other coding agent platforms manage context differently. For example, Claude Code and OpenAI’s Codex focus on autonomous execution, continuously reading files, running commands and as tasks evolve, expanding context. Claude Code has a context indicator that which compacts context when it becomes too large. With these different approaches, the consistent pattern is that most systems manage growing contexts for agents, not necessarily to limit them. Context keeps growing, especially as workflows become more complex, making it more difficult for enterprises to control costs, latency and reliability. Mogollon said his company chose Agentforce Vibes not only because a large portion of their data already lives on Salesforce, making it easier to integrate, but also because it would allow them to control more of the context they feed their agents. What builders should know There’s no single way to address context bloat, but the pattern is now clear: more context doesn't always mean better results. Along with investing in context engineering, enterprises have to experiment with the context constraint approach they are most comfortable with. For enterprises, that means the challenge isn’t just giving agents more information—it’s deciding what to leave out.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6VdAsRWYUYHxLrBm6wNunN\/59f5d901453d586c1258054428db24c6\/crimedy7_illustration_of_a_robot_that_is_so_overwhelmed_with__e33daa08-90c2-46bf-8da1-914393d67905_1.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/salesforces-agentforce-vibes-2-0-targets-a-hidden-failure-context-overload-in-ai-agents",
            "date": "2026-04-22",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يستهدف Agentforce Vibes 2.0 من Salesforce فشلًا خفيًا: الحمل الزائد للسياق في وكلاء الذكاء الاصطناعي",
            "summary_ar": "عندما بدأت منصة جمع التبرعات للشركات الناشئة VentureCrowd في نشر وكلاء تشفير الذكاء الاصطناعي، رأوا نفس المكاسب التي حققتها المؤسسات الأخرى: فقد خفضوا دورة تطوير الواجهة الأمامية بنسبة 90% في بعض المشاريع. ومع ذلك، لم يكن الأمر سهلاً أو بدون الكثير من التجربة والخطأ. كان التحدي الأول الذي يواجه VentureCrowd يدور حول جودة البيانات والسياق، حيث قال دييجو موغولون، كبير مسؤولي المنتجات في VentureCrowd، لـ VentureBeat إن \"الوكلاء يفكرون ضد أي بيانات يمكنهم الوصول إليها في وقت التشغيل\" ومن ثم سيكونون \"مخطئين\" بكل ثقة لأنهم يبنون معرفتهم فقط على السياق المعطى لهم. وكانت العقبة الأخرى التي واجهتهم، مثل كثيرين آخرين، هي البيانات الفوضوية والعمليات غير الواضحة. وعلى غرار السياق، قال موغولون إن وكلاء البرمجة سيضخمون البيانات السيئة، لذلك كان على الشركة بناء قاعدة تعليمات برمجية جيدة التنظيم فاي",
            "body_ar": "عندما بدأت منصة جمع التبرعات للشركات الناشئة VentureCrowd في نشر وكلاء تشفير الذكاء الاصطناعي، رأوا نفس المكاسب التي حققتها المؤسسات الأخرى: فقد خفضوا دورة تطوير الواجهة الأمامية بنسبة 90% في بعض المشاريع. ومع ذلك، لم يكن الأمر سهلاً أو بدون الكثير من التجربة والخطأ. كان التحدي الأول الذي يواجه VentureCrowd يدور حول جودة البيانات والسياق، حيث قال دييجو موغولون، كبير مسؤولي المنتجات في VentureCrowd، لـ VentureBeat إن \"الوكلاء يفكرون ضد أي بيانات يمكنهم الوصول إليها في وقت التشغيل\" ومن ثم سيكونون \"مخطئين\" بكل ثقة لأنهم يبنون معرفتهم فقط على السياق المعطى لهم. وكانت العقبة الأخرى التي واجهتهم، مثل كثيرين آخرين، هي البيانات الفوضوية والعمليات غير الواضحة. وعلى غرار السياق، قال موغولون إن وكلاء البرمجة سيعملون على تضخيم البيانات السيئة، لذلك كان على الشركة بناء قاعدة تعليمات برمجية جيدة التنظيم أولاً. قال موغولون: \"نادرًا ما تتعلق التحديات بوكلاء البرمجة أنفسهم، بل تتعلق بكل شيء من حولهم\". \"إنها مشكلة سياقية متنكرة في شكل مشكلة ذكاء اصطناعي، وهي وضع الفشل رقم واحد الذي أراه عبر التطبيقات الوكيلة.\" وقال موغولون إن VentureCrowd واجهت العديد من العوائق في إصلاح تطوير برمجياتها. توضح تجربة VentureCrowd مشكلة أوسع في تطوير وكيل الذكاء الاصطناعي. النماذج لا تخذل الوكلاء؛ وبدلاً من ذلك، يصبحون غارقين في الكثير من السياق والعديد من الأدوات في وقت واحد. الكثير من السياق يأتي هذا من ظاهرة تسمى انتفاخ السياق، عندما تتراكم أنظمة الذكاء الاصطناعي المزيد والمزيد من البيانات أو الأدوات أو التعليمات، كلما أصبحت سير العمل أكثر تعقيدًا. تنشأ المشكلة لأن الوكلاء يحتاجون إلى سياق للعمل بشكل أفضل، ولكن الكثير منه يخلق ضجيجًا. وكلما زاد السياق الذي يتعين على الوكيل التدقيق فيه، زاد عدد الرموز المميزة التي يستخدمها، وتباطأ العمل وازدادت التكاليف. إحدى الطرق للحد من انتفاخ السياق هي من خلال هندسة السياق. تساعد هندسة السياق الوكلاء على فهم تغييرات التعليمات البرمجية أو سحب الطلبات ومواءمتها مع مهامهم. ومع ذلك، غالبًا ما تصبح هندسة السياق مهمة خارجية بدلاً من دمجها في منصات البرمجة التي تستخدمها المؤسسات لبناء وكلائها. كيفية استجابة موفري وكلاء الترميز اعتمدت VentureCrowd على حل واحد على وجه الخصوص لمساعدتها في التغلب على المشكلات المتعلقة بتضخم السياق الذي يعاني منه نشر وكيل الذكاء الاصطناعي للمؤسسة: Agentforce Vibes من Salesforce، وهي منصة برمجة موجودة داخل Salesforce ومتاحة لجميع الخطط بدءًا من الخطة المجانية. قامت Salesforce مؤخرًا بتحديث Agentforce Vibes إلى الإصدار 2.0، مما أدى إلى توسيع الدعم لأطر عمل الجهات الخارجية مثل ReAct. والأكثر أهمية بالنسبة لشركات مثل VentureCrowd هو أن Agentforce Vibes أضافت القدرات والمهارات التي يمكنهم استخدامها لتوجيه سلوك الوكيل. \"بالنسبة للسياق، فإن منصتنا بأكملها، الواجهة الأمامية والخلفية، تعمل على نظام Salesforce البيئي. لذلك عندما تم إطلاق Agentforce Vibes، تم إدخالها بشكل طبيعي في بيئة نعرفها جيدًا بالفعل،\" قال موغولون. لا يقلل نهج Salesforce من استخدام وكلاء السياق؛ بل يساعد المؤسسات على ضمان بقاء السياق ضمن نماذج البيانات أو قواعد التعليمات البرمجية الخاصة بها. تضيف Agentforce Vibes تنفيذًا إضافيًا من خلال ميزة المهارات والقدرات الجديدة. تحدد القدرات ما يريد الوكلاء تحقيقه، والمهارات هي الأدوات التي سيستخدمونها للوصول إلى هناك. تدير منصات وكيل الترميز الأخرى السياق بشكل مختلف. على سبيل المثال، يركز Claude Code وOpenAI’s Codex على التنفيذ المستقل، وقراءة الملفات باستمرار، وتشغيل الأوامر، ومع تطور المهام، وتوسيع السياق. يحتوي كلود كود على مؤشر سياق يعمل على ضغط السياق عندما يصبح كبيرًا جدًا. مع هذه الأساليب المختلفة، فإن النمط الثابت هو أن معظم الأنظمة تدير السياقات المتنامية للوكلاء، وليس بالضرورة للحد منهم. يستمر السياق في النمو، خاصة عندما يصبح سير العمل أكثر تعقيدًا، مما يجعل من الصعب على المؤسسات التحكم في التكاليف وزمن الوصول والموثوقية. قال موغولون إن شركته اختارت Agentforce Vibes ليس فقط لأن جزءًا كبيرًا من بياناتها موجود بالفعل في Salesforce، مما يسهل التكامل، ولكن أيضًا لأنه سيسمح لهم بالتحكم بشكل أكبر في السياق الذي يغذونه لعملائهم. ما يجب أن يعرفه المنشئون لا توجد طريقة واحدة لمعالجة تضخم السياق، ولكن النمط أصبح واضحًا الآن: المزيد من السياق لا يعني دائمًا نتائج أفضل. إلى جانب الاستثمار في هندسة السياق، يتعين على المؤسسات تجربة نهج قيود السياق الذي يناسبها أكثر. بالنسبة للمؤسسات، يعني هذا أن التحدي لا يتمثل في مجرد منح الوكلاء مزيدًا من المعلومات، بل في تحديد ما يجب تركه خارج.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/googles-gemini-can-now-run-on-a-single-air-gapped-server-and-vanish-when-you-pull-the-plug",
            "title_en": "Google’s Gemini can now run on a single air-gapped server — and vanish when you pull the plug",
            "summary_en": "Cirrascale Cloud Services today announced it has expanded its partnership with Google Cloud to deliver the Gemini model on-premises through Google Distributed Cloud , making it the first neocloud provider to offer Google's most advanced AI model as a fully private, disconnected appliance. The announcement, timed to coincide with Google Cloud Next 2026 in Las Vegas, addresses a stubborn problem that has plagued regulated industries since the generative AI boom began: how to access frontier-class AI models without surrendering control of your data. The offering packages Gemini into a Dell-manufactured, Google-certified hardware appliance equipped with eight Nvidia GPUs and wrapped in confidential computing protections. Enterprises and government agencies can deploy the system inside Cir",
            "body_en": "Cirrascale Cloud Services today announced it has expanded its partnership with Google Cloud to deliver the Gemini model on-premises through Google Distributed Cloud , making it the first neocloud provider to offer Google's most advanced AI model as a fully private, disconnected appliance. The announcement, timed to coincide with Google Cloud Next 2026 in Las Vegas, addresses a stubborn problem that has plagued regulated industries since the generative AI boom began: how to access frontier-class AI models without surrendering control of your data. The offering packages Gemini into a Dell-manufactured, Google-certified hardware appliance equipped with eight Nvidia GPUs and wrapped in confidential computing protections. Enterprises and government agencies can deploy the system inside Cirrascale's data centers or their own facilities, fully disconnected from the internet and from Google's cloud infrastructure. The product enters preview immediately, with general availability expected in June or July. In an exclusive interview with VentureBeat ahead of the announcement, Dave Driggers, CEO of Cirrascale Cloud Services, described the deployment as \"the next step of the partnership” and “being able to offer their most important model they have, which is Gemini.\" He was emphatic about what customers would be getting: \"It is full blown Gemini. It's not pulled,” he told VentureBeat. “Nothing's missing from it, and it'll be available in a private scenario, so that we can guarantee them that their data is secure, their inputs are secure, their outputs are secure.\" The move signals a deepening shift in the enterprise AI market, where the most capable models are migrating out of hyperscaler data centers and into customers' own racks — a reversal of the cloud computing orthodoxy that defined the past decade. The impossible tradeoff that kept banks and governments on the AI sidelines For years, organizations in financial services, healthcare, defense and government faced a binary choice: access the most powerful AI models through public cloud APIs, exposing sensitive data to third-party infrastructure, or settle for less capable open-source models they could host themselves. Cirrascale's new offering attempts to eliminate that tradeoff entirely. Driggers described how the trust problem escalated in stages. First, companies worried about handing their proprietary data to hyperscalers. Then came a deeper realization. \"They started realizing, holy crap, when my users type stuff in, they're giving private information away — and the output is private too,\" Driggers told VentureBeat. \"And then the hyperscalers said, 'Your prompts and the responses? That's our stuff. We need that in order to answer your question.'\" That was the moment, he argued, when the demand for fully private AI became impossible to ignore. Unlike Google Distributed Cloud , which Google already offers as its own on-premises cloud extension, the Cirrascale deployment places the actual model — weights and all — outside of Google's infrastructure entirely. \"Google doesn't own this hardware. We own the hardware, or the customer owns the hardware,\" Driggers said. \"It is completely outside of Google.\" Driggers drew a sharp distinction between this offering and what competitors provide. When asked about Microsoft Azure's on-premises deployments with OpenAI models and AWS Outposts , he was blunt: \"Those are a lot different. This is the actual model being deployed on prem outside of their cloud. It's not a cut down version. It's the actual model.\" Pull the plug and the model vanishes: how confidential computing guards Google's crown jewel The technical underpinnings of the deployment reveal how seriously both Google and Cirrascale are treating the security question. The Gemini model resides entirely in volatile memory — not on persistent storage. \"As soon as the power is off, the model is gone,\" Driggers explained. User sessions operate through caches that clear automatically when a session ends. \"A company's user inputs, once that session's over, they're gone. They can be saved, but by default, they're gone,\" he said. Perhaps the most striking security feature is what happens when someone attempts to tamper with the appliance. Driggers described a mechanism that effectively renders the machine inoperable: \"You do anything that is against confidential compute, and it's gone. Not only does the machine turn off, and therefore the model is gone, it actually puts in a marker that says, 'You violated the confidential compute.' That machine has to come back to us, or back to Dell or back to Google.\" He characterized the appliance as something that \"does time bomb itself if something goes wrong.\" This level of protection reflects Google's own anxiety about releasing its flagship model's weights into environments it doesn't control. The appliance is effectively a vault: the model runs inside it, but nobody — not even the customer — can extract or inspect the weights. The confidential computing envelope ensures that even physical possession of the hardware doesn't grant access to the model's intellectual property. When Google releases a new version of Gemini, the appliance needs to reconnect — but only briefly, and through a private channel. \"It does have to get connected back to Google to load the new model. But that can go via a private connection,\" Driggers said. For the most security-sensitive customers who can never allow their machine to connect to an outside network, Cirrascale offers a physical swap: \"The server will be unplugged, purged, all the data gone, guaranteed it's gone, a new server will show up with a new version of the model.\" From Wall Street to drug labs, the rush for air-gapped AI is accelerating Driggers identified three primary drivers of demand: trust, security and guaranteed performance. Financial services institutions top the list. \"They've got regulatory issues where they can't have something out of their control. They've got to be the one who determines where everything is. It's got to be air gap,\" Driggers said. The minimum deployment footprint — a single eight-GPU server — makes the product accessible in a way that Google's own private offerings do not. Running Gemini on Google's TPU-based infrastructure, Driggers noted, requires a much larger commitment. \"If you want a private [instance] from Google, they require a much bigger bite, because to build something private for you, Google requires a gigantic footprint. Here we can do it down to a single machine.\" Beyond finance, Driggers pointed to drug discovery, medical data, public-sector research, and any business handling personal information. He also flagged an increasingly critical use case: data sovereignty. \"How about your business that's doing business outside of the United States, and now you've got data sovereignty laws in places where GCP is not? We can provide private Gemini in these smaller countries where the data can't leave.\" The public sector is another major target. Cirrascale launched a dedicated Government Services division in March as part of its earlier partnership with Google Public Sector around the GPAR (Google Public Sector Program for Accelerated Research) initiative. That program provides higher education and research institutions access to AI tools including AlphaFold , AI Co-Scientist, and Gemini Enterprise for Education. Today's announcement extends that relationship from the research tooling layer to the model itself. The performance guarantee is the third pillar. Driggers noted that frontier models accessed through public APIs deliver inconsistent response times — a problem for mission-critical business applications. The private deployment eliminates that variability. Cirrascale layers management software on top of the Gemini appliance that allows administrators to prioritize users, allocate tokens by role, adjust context window sizes, and load-balance across multiple appliances and regions. \"Your primary data scientists or your programmers may need to have really large context windows and get priority, especially maybe nine to five,\" Driggers explained, \"but yet, the rest of the time, they want to share the Gemini experience over a wider group of people.\" He also noted that agentic AI workloads, which can run around the clock, benefit from the ability to consume unused capacity during off-peak hours — a scheduling flexibility that public cloud deployments don't easily support. Seat licenses, token billing and all-you-can-eat pricing: a model built for enterprise flexibility The pricing model reflects Cirrascale's broader philosophy of meeting customers where they are. Driggers described several consumption options: seat-based licensing (with both enterprise and standard tiers), per-token billing, and flat \"all-you-can-eat\" pricing per appliance. The minimum commitment is a single dedicated server — the appliances are not shared between customers in any configuration. \"We'll meet the customer, what they're used to,\" Driggers said. \"If they're currently taking a seat license, we'll create a seat license for them.\" Customers can also choose to purchase the hardware outright while still consuming Gemini as a managed service, an arrangement Cirrascale has offered since its earliest days in the AI wave. Driggers said OpenAI has been a customer since 2016 or 2017, and in that engagement, OpenAI purchased its own GPUs while Cirrascale \"took those GPUs, incorporated them into our servers and storage and networking, and then presented it back as a cloud service to them so they didn't have to manage anything.\" That flexible ownership model is particularly relevant for universities and government-funded research institutions, where mandates often require a specific mix of capital expenditure, operating expenditure, and personnel investment. \"A lot of government funding requires a mixture of CapEx, OPEX and employment development,\" Driggers said. \"So we allow that as well.\" Inside the neocloud that built the world's first eight-GPU server — and just landed Google's biggest AI model Cirrascale's announcement arrives during a period of explosive growth for the neocloud sector — the tier of specialized AI cloud providers that sit between the hyperscalers and traditional hosting companies. The neocloud market is projected to be worth $35.22 billion in 2026 and is growing at a compound annual growth rate of 46.37%, according to Mordor Intelligence. Leading neocloud providers include CoreWeave , Crusoe Cloud , Lambda , Nebius and Vultr , and these companies specialize in GPU-as-a-Service for AI and high-performance computing workloads. But Cirrascale occupies a different niche within this booming category. While companies like CoreWeave have focused primarily on providing raw GPU compute at scale — CoreWeave boasts a $55.6 billion backlog — Cirrascale has positioned itself around private AI, managed services and longer-term engagements rather than on-demand elastic compute. Driggers described the company as \"not an on-demand place\" but rather a provider focused on \"longer-term workloads where we're really competing against somebody doing it back on prem.\" The company's history supports that claim. Cirrascale traces its roots to a hardware company that \"designed the world's first eight GPU server in 2012 before anybody thought you'd ever need eight GPUs in a box,\" as Driggers put it. It pivoted to pure cloud services roughly eight years ago and has since built a client roster that includes the Allen Institute for AI , which in August 2025 tapped Cirrascale as the managed services provider for a $152 million open AI initiative funded by the National Science Foundation and Nvidia. Earlier this month, Cirrascale announced a three-way alliance with Rafay Systems and Cisco to deliver end-to-end enterprise AI solutions combining Cirrascale's inference platform, Rafay's GPU orchestration, and Cisco's networking and compute hardware. The private AI era is arriving faster than anyone expected The Gemini partnership is the highest-profile move yet — and it taps into a broader industry current. The push to move frontier AI out of the public cloud and into private infrastructure is no longer a niche demand. Industry analysts predict that by 2027, 40% of AI model training and inference will occur outside public cloud environments. That projection helps explain why Google is willing to let its crown-jewel model run on hardware it doesn't own, in data centers it doesn't operate, managed by a company in San Diego. The alternative — watching regulated enterprises default to open-source models or to Microsoft's Azure OpenAI Service — is apparently a worse outcome. The announcement also carries major implications for Google's competitive positioning. Microsoft has built its enterprise AI strategy around the Azure OpenAI Service and its deep partnership with OpenAI, while AWS has invested in Amazon Bedrock and its own on-premises solutions through Outposts. Google Cloud Platform still trails both rivals in market share, though Q4 cloud revenue rose 48% year-over-year. Enabling Gemini to run on third-party infrastructure via partners like Cirrascale broadens its distribution surface in exactly the segments — government, finance, healthcare — where Microsoft and Amazon have historically held advantages. For Cirrascale, the partnership represents a chance to differentiate sharply in a market where most neoclouds are competing on GPU availability and price. Driggers expects rapid uptake in the second half of 2026. \"It's going to be crazy towards the end of this year,\" he said. \"Major banks will finally do stuff like this, because they can secure it. They can do it globally. Big research institutions who have labs all over the world will do these types of things.\" He predicted other frontier model providers will follow with similar offerings soon, and he doesn't see Gemini as the end of the story. \"We really think that the enterprise have been waiting for private AI, not just Gemini, but all sorts of private AI,\" Driggers said. That may be the most telling line of all. For three years, the AI revolution has been defined by a simple bargain: send your data to the cloud and get intelligence back. Cirrascale's bet — and increasingly, Google's — is that the biggest customers in the world are done accepting those terms. The most powerful AI on the planet is now available on a single locked box that can sit in a bank vault, a university basement, or a government facility in a country where Google has no data center. The cloud, it turns out, is finally ready to come back down to earth.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/3DxCqVFkKH7Ri00GX6fSRv\/fcd7955f0a8df921b46d1d2b7ca09b3a\/nuneybits_Vector_art_of_an_unplugged_enterprise_server_glowing__a74cc515-0dde-4112-8f6a-38e454be24ef.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/googles-gemini-can-now-run-on-a-single-air-gapped-server-and-vanish-when-you-pull-the-plug",
            "date": "2026-04-22",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يمكن الآن لـ Gemini من Google العمل على خادم واحد مغلق - ويختفي عند سحب القابس",
            "summary_ar": "أعلنت Cirrascale Cloud Services اليوم عن توسيع شراكتها مع Google Cloud لتقديم نموذج Gemini محليًا من خلال Google Distributed Cloud، مما يجعلها أول مزود للسحابة الجديدة يقدم نموذج الذكاء الاصطناعي الأكثر تقدمًا من Google كجهاز خاص تمامًا ومنفصل. ويعالج هذا الإعلان، الذي تم توقيته ليتزامن مع Google Cloud Next 2026 في لاس فيغاس، مشكلة عنيدة ابتليت بها الصناعات المنظمة منذ بدء طفرة الذكاء الاصطناعي التوليدي: كيفية الوصول إلى نماذج الذكاء الاصطناعي من الدرجة الأولى دون التنازل عن السيطرة على بياناتك. يقوم العرض بدمج Gemini في جهاز مصنوع من قبل شركة Dell ومعتمد من Google ومجهز بثمانية وحدات معالجة رسوميات Nvidia وملفوفة بوسائل حماية حاسوبية سرية. يمكن للشركات والهيئات الحكومية نشر النظام في الداخل سير",
            "body_ar": "أعلنت Cirrascale Cloud Services اليوم عن توسيع شراكتها مع Google Cloud لتقديم نموذج Gemini محليًا من خلال Google Distributed Cloud، مما يجعلها أول مزود للسحابة الجديدة يقدم نموذج الذكاء الاصطناعي الأكثر تقدمًا من Google كجهاز خاص تمامًا ومنفصل. ويعالج هذا الإعلان، الذي تم توقيته ليتزامن مع Google Cloud Next 2026 في لاس فيغاس، مشكلة عنيدة ابتليت بها الصناعات المنظمة منذ بدء طفرة الذكاء الاصطناعي التوليدي: كيفية الوصول إلى نماذج الذكاء الاصطناعي من الدرجة الأولى دون التنازل عن السيطرة على بياناتك. يقوم العرض بدمج Gemini في جهاز مصنوع من قبل شركة Dell ومعتمد من Google ومجهز بثمانية وحدات معالجة رسوميات Nvidia وملفوفة بوسائل حماية حاسوبية سرية. يمكن للمؤسسات والهيئات الحكومية نشر النظام داخل مراكز بيانات Cirrascale أو منشآتها الخاصة، مع فصلها بالكامل عن الإنترنت وعن البنية التحتية السحابية لـ Google. يدخل المنتج للمعاينة على الفور، ومن المتوقع أن يكون متاحًا بشكل عام في يونيو أو يوليو. في مقابلة حصرية مع VentureBeat قبل الإعلان، وصف Dave Driggers، الرئيس التنفيذي لشركة Cirrascale Cloud Services، النشر بأنه \"الخطوة التالية من الشراكة\" و\"القدرة على تقديم أهم نموذج لديهم، وهو Gemini\". لقد كان مؤكدًا بشأن ما سيحصل عليه العملاء: \"إنه برج الجوزاء الكامل. لم يتم سحبه،\" كما قال لـ VentureBeat. \"لا يوجد شيء مفقود منه، وسيكون متاحًا في سيناريو خاص، حتى نتمكن من ضمان أن بياناتهم آمنة، ومدخلاتهم آمنة، ومخرجاتهم آمنة.\" تشير هذه الخطوة إلى تحول عميق في سوق الذكاء الاصطناعي للمؤسسات، حيث تنتقل النماذج الأكثر قدرة من مراكز البيانات فائقة الحجم إلى رفوف العملاء الخاصة - وهو انعكاس لعقيدة الحوسبة السحابية التي حددت العقد الماضي. المقايضة المستحيلة التي أبقت البنوك والحكومات على هامش الذكاء الاصطناعي لسنوات، واجهت المؤسسات في مجال الخدمات المالية والرعاية الصحية والدفاع والحكومة خيارًا ثنائيًا: الوصول إلى أقوى نماذج الذكاء الاصطناعي من خلال واجهات برمجة التطبيقات السحابية العامة، أو تعريض البيانات الحساسة للبنية التحتية لأطراف ثالثة، أو القبول بنماذج مفتوحة المصدر أقل قدرة يمكنها استضافتها بنفسها. يحاول عرض Cirrascale الجديد القضاء على هذه المقايضة تمامًا. وصف Driggers كيف تصاعدت مشكلة الثقة على مراحل. أولاً، كانت الشركات قلقة بشأن تسليم بيانات الملكية الخاصة بها إلى أصحاب النطاقات الفائقة. ثم جاء إدراك أعمق. قال Driggers لـ VentureBeat: \"لقد بدأوا يدركون، يا للهول، عندما يقوم المستخدمون بكتابة الأشياء، فإنهم يكشفون عن معلومات خاصة - ويكون الإخراج خاصًا أيضًا\". \"ثم قال المتخصصون في مجال التوسع الفائق: \"مطالباتك واستجاباتك؟ هذه هي أغراضنا.\" نحن بحاجة إلى ذلك من أجل الإجابة على سؤالك. قال Driggers: \"نحن نملك الأجهزة، أو أن العميل يمتلك الأجهزة\". \"إنه خارج Google تمامًا.\" لقد ميزت شركة Driggers بشكل حاد بين هذا العرض وما يقدمه المنافسون. عندما سُئل عن عمليات النشر المحلية لـ Microsoft Azure مع نماذج OpenAI وAWS Outposts، كان صريحًا: \"هذه مختلفة كثيرًا. هذا هو النموذج الفعلي الذي يتم نشره على السحابة الأولية الخاصة بهم. إنه ليس نسخة مختصرة. إنه النموذج الفعلي.\" اسحب القابس وسيختفي النموذج: كيف تحمي سرية الحوسبة جوهرة التاج في Google تكشف الأسس الفنية للنشر مدى جدية تعامل كل من Google وCirrascale مع مسألة الأمان. يتواجد نموذج Gemini بالكامل في ذاكرة متطايرة - وليس في وحدة تخزين ثابتة. وأوضح Driggers: \"بمجرد انقطاع التيار الكهربائي، يتوقف النموذج\". تعمل جلسات المستخدم من خلال ذاكرات تخزين مؤقت يتم مسحها تلقائيًا عند انتهاء الجلسة. وقال: \"مدخلات المستخدم الخاصة بالشركة، بمجرد انتهاء تلك الجلسة، تختفي. ويمكن حفظها، ولكنها تختفي بشكل افتراضي\". ولعل الميزة الأمنية الأكثر لفتًا للانتباه هي ما يحدث عندما يحاول شخص ما العبث بالجهاز. وصف Driggers الآلية التي تجعل الجهاز غير صالح للعمل بشكل فعال: \"إذا قمت بأي شيء يتعارض مع الحوسبة السرية، فسوف يختفي. لا يتم إيقاف تشغيل الجهاز فحسب، وبالتالي يختفي النموذج، بل يتم وضع علامة تقول: \"لقد انتهكت الحساب السري\". يجب أن تعود هذه الآلة إلينا، أو إلى Dell أو إلى Google.\" ووصف الجهاز بأنه شيء \"يقوم بقنبلة موقوتة لنفسه إذا حدث خطأ ما\". ويعكس هذا المستوى من الحماية قلق Google بشأن إطلاق أوزان طرازها الرئيسي في بيئات لا تسيطر عليها. الجهاز عبارة عن قبو فعليًا: حيث يعمل النموذج داخله، لكن لا يستطيع أحد - ولا حتى العميل - استخراج الأوزان أو فحصها. ويضمن غلاف الحوسبة السري أن الحيازة المادية للأجهزة لا تمنح الوصول إلى الملكية الفكرية للنموذج. عندما تطلق Google إصدارًا جديدًا من Gemini، يحتاج الجهاز إلى إعادة الاتصال - ولكن لفترة وجيزة فقط، ومن خلال قناة خاصة. \"يجب إعادة الاتصال بـ Google لتحميل النموذج الجديد. وقال دريجرز: \"لكن ذلك يمكن أن يتم عبر اتصال خاص\". بالنسبة للعملاء الأكثر حساسية للأمان والذين لا يمكنهم أبدًا السماح لأجهزتهم بالاتصال بشبكة خارجية، تقدم Cirrascale مبادلة فعلية: \"سيتم فصل الخادم، وتطهيره، وإزالة جميع البيانات، وضمان اختفائها، وسيظهر خادم جديد بإصدار جديد من النموذج.\" من وول ستريت إلى مختبرات الأدوية، يتسارع الاندفاع نحو الذكاء الاصطناعي المحدود. وقد حدد دريجر ثلاثة محركات رئيسية للطلب: الثقة والأمن والأداء المضمون. مؤسسات الخدمات المالية تتصدر القائمة. وقال دريجرز: \"لديهم مشكلات تنظيمية حيث لا يمكنهم الحصول على شيء خارج عن سيطرتهم. يجب أن يكونوا هم من يحدد مكان كل شيء. يجب أن تكون هناك فجوة هوائية\". الحد الأدنى من مساحة النشر — خادم واحد مزود بثمانية وحدات معالجة رسومات — يجعل المنتج قابلاً للوصول بطريقة لا توفرها عروض Google الخاصة. وأشار دريجرز إلى أن تشغيل Gemini على البنية التحتية المعتمدة على مادة TPU الخاصة بشركة Google يتطلب التزامًا أكبر بكثير. \"إذا كنت تريد [مثيلًا] خاصًا من Google، فإنها تحتاج إلى جزء أكبر بكثير، لأنه لبناء شيء خاص لك، تتطلب Google مساحة هائلة. وهنا يمكننا القيام بذلك على جهاز واحد.\" وبعيدًا عن التمويل، أشار دريجرز إلى اكتشاف الأدوية، والبيانات الطبية، وأبحاث القطاع العام، وأي شركة تتعامل مع المعلومات الشخصية. كما أشار أيضًا إلى حالة استخدام متزايدة الأهمية: سيادة البيانات. \"ماذا عن شركتك التي تمارس أعمالها خارج الولايات المتحدة، والآن لديك قوانين سيادة البيانات في الأماكن التي لا يوجد فيها برنامج Google Cloud Platform؟ يمكننا توفير Gemini الخاص في هذه البلدان الصغيرة حيث لا يمكن مغادرة البيانات.\" ويشكل القطاع العام هدفا رئيسيا آخر. أطلقت Cirrascale قسمًا مخصصًا للخدمات الحكومية في مارس كجزء من شراكتها السابقة مع Google Public Sector حول مبادرة GPAR (برنامج Google Public Sector Program for Accelerated Research). يوفر هذا البرنامج لمؤسسات التعليم العالي والبحث إمكانية الوصول إلى أدوات الذكاء الاصطناعي بما في ذلك AlphaFold وAI Co-Scientist وGemini Enterprise for Education. ويوسع إعلان اليوم هذه العلاقة من طبقة أدوات البحث إلى النموذج نفسه. وضمان الأداء هو الركيزة الثالثة. لاحظ Driggers أن النماذج الحدودية التي يتم الوصول إليها من خلال واجهات برمجة التطبيقات العامة توفر أوقات استجابة غير متسقة - وهي مشكلة بالنسبة لتطبيقات الأعمال ذات المهام الحرجة. النشر الخاص يلغي هذا التباين. برنامج إدارة الطبقات Cirrascale أعلى جهاز Gemini الذي يسمح للمسؤولين بتحديد أولويات المستخدمين، وتخصيص الرموز المميزة حسب الدور، وضبط أحجام نافذة السياق، وتوازن التحميل عبر أجهزة ومناطق متعددة. أوضح دريجرز: \"قد يحتاج علماء البيانات الأولية أو المبرمجون لديك إلى الحصول على نوافذ سياقية كبيرة حقًا والحصول على الأولوية، خصوصًا ربما من التاسعة إلى الخامسة، ولكنهم يرغبون في بقية الوقت في مشاركة تجربة جيميني مع مجموعة أكبر من الأشخاص\". وأشار أيضًا إلى أن أعباء عمل الذكاء الاصطناعي الوكيل، والتي يمكن تشغيلها على مدار الساعة، تستفيد من القدرة على استهلاك السعة غير المستخدمة خارج ساعات الذروة - وهي مرونة الجدولة التي لا تدعمها عمليات نشر السحابة العامة بسهولة تراخيص المقاعد والفوترة الرمزية وتسعير كل ما يمكنك تناوله: نموذج مصمم لمرونة المؤسسة. يعكس نموذج التسعير فلسفة Cirrascale الأوسع المتمثلة في مقابلة العملاء أينما كانوا. وصفت Driggers العديد من خيارات الاستهلاك: الترخيص على أساس المقعد (مع كل من المستويين المؤسسي والقياسي)، والفوترة لكل رمز مميز، وتسعير ثابت \"كل ما يمكنك تناوله\" لكل جهاز. الحد الأدنى للالتزام هو خادم مخصص واحد — لا تتم مشاركة الأجهزة بين العملاء في أي تكوين. وقال دريجرز: \"سوف نلتقي بالعملاء، بما اعتادوا عليه\". \"إذا كانوا يحصلون حاليًا على ترخيص مقعد، فسنقوم بإنشاء ترخيص مقعد لهم.\" يمكن للعملاء أيضًا اختيار شراء الأجهزة بالكامل مع الاستمرار في استخدام Gemini كخدمة مُدارة، وهو ترتيب قدمته Cirrascale منذ الأيام الأولى في موجة الذكاء الاصطناعي. قال Driggers إن OpenAI كان عميلاً منذ عام 2016 أو 2017، وفي تلك المشاركة، اشترت OpenAI وحدات معالجة الرسوميات الخاصة بها بينما أخذت Cirrascale \"وحدات معالجة الرسوميات هذه، ودمجتها في خوادمنا ووحدات التخزين والشبكات، ثم قدمتها مرة أخرى كخدمة سحابية لهم حتى لا يضطروا إلى إدارة أي شيء.\" ويشكل نموذج الملكية المرن هذا أهمية خاصة بالنسبة للجامعات والمؤسسات البحثية التي تمولها الحكومة، حيث تتطلب الولايات في كثير من الأحيان مزيجا محددا من النفقات الرأسمالية، النفقات التشغيلية، والاستثمار في الموظفين. وقال دريجرز: \"يتطلب الكثير من التمويل الحكومي مزيجًا من النفقات الرأسمالية والنفقات التشغيلية وتنمية العمالة\". \"لذلك نحن نسمح بذلك أيضًا.\" داخل السحابة الجديدة التي بنت أول خادم بثمانية وحدات معالجة رسومات في العالم - وصدر للتو إعلان Cirrascale عن أكبر نموذج للذكاء الاصطناعي من Google، يصل خلال فترة من النمو الهائل لقطاع السحابة الجديدة - فئة موفري سحابة الذكاء الاصطناعي المتخصصين الذين يقعون بين شركات الاستضافة الفائقة وشركات الاستضافة التقليدية. من المتوقع أن تبلغ قيمة سوق السحابة الجديدة 35.22 مليار دولار في عام 2026، وتنمو بمعدل نمو سنوي مركب يبلغ 46.37%، وفقًا لشركة Mordor Intelligence. يشمل مقدمو الخدمات السحابية الرائدة CoreWeave وCrusoe Cloud وLambda وNebius وVultr، وتتخصص هذه الشركات في GPU كخدمة للذكاء الاصطناعي وأحمال عمل الحوسبة عالية الأداء. لكن Cirrascale يحتل مكانة مختلفة ضمن هذه الفئة المزدهرة. في حين أن شركات مثل CoreWeave ركزت في المقام الأول على توفير حوسبة GPU الخام على نطاق واسع - تفتخر CoreWeave بتراكم قدره 55.6 مليار دولار - فقد وضعت Cirrascale نفسها حول الذكاء الاصطناعي الخاص والخدمات المدارة والارتباطات طويلة المدى بدلاً من الحوسبة المرنة عند الطلب. وصف Driggers الشركة بأنها \"ليست مكانًا حسب الطلب\" ولكنها بالأحرى مزود يركز على \"أعباء العمل طويلة المدى حيث نتنافس حقًا مع شخص يقوم بذلك مرة أخرى.\" ويدعم تاريخ الشركة هذا الادعاء. تعود جذور Cirrascale إلى شركة أجهزة \"صممت أول ثمانية خوادم GPU في العالم في عام 2012 قبل أن يعتقد أي شخص أنك ستحتاج إلى ثمانية وحدات معالجة رسوميات في صندوق\"، على حد تعبير Driggers. لقد ركزت على الخدمات السحابية الخالصة منذ ما يقرب من ثماني سنوات، ومنذ ذلك الحين قامت ببناء قائمة عملاء تتضمن معهد Allen للذكاء الاصطناعي، والذي اختار في أغسطس 2025 شركة Cirrascale كمزود للخدمات المُدارة لمبادرة ذكاء اصطناعي مفتوحة بقيمة 152 مليون دولار بتمويل من مؤسسة العلوم الوطنية وNvidia. في وقت سابق من هذا الشهر، أعلنت Cirrascale عن تحالف ثلاثي مع Rafay Systems وCisco لتقديم حلول الذكاء الاصطناعي المؤسسية الشاملة التي تجمع بين منصة الاستدلال الخاصة بـ Cirrascale، وتنسيق GPU من Rafay، وأجهزة الشبكات والحوسبة من Cisco. يصل عصر الذكاء الاصطناعي الخاص بشكل أسرع مما توقعه أي شخص. تعد شراكة Gemini هي الخطوة الأكثر شهرة حتى الآن - وهي تستفيد من تيار الصناعة الأوسع. إن الدفع نحو نقل الذكاء الاصطناعي الحدودي من السحابة العامة إلى البنية التحتية الخاصة لم يعد مطلبًا متخصصًا. يتوقع محللو الصناعة أنه بحلول عام 2027، سيتم تنفيذ 40% من التدريب والاستدلال على نماذج الذكاء الاصطناعي خارج البيئات السحابية العامة. يساعد هذا التوقع في تفسير سبب رغبة جوجل في السماح لنموذجها الجوهري بالعمل على أجهزة لا تمتلكها، وفي مراكز البيانات التي لا تديرها، والتي تديرها شركة في سان دييغو. ويبدو أن البديل ــ مشاهدة المؤسسات الخاضعة للتنظيم تتخلف عن استخدام النماذج مفتوحة المصدر أو خدمة Azure OpenAI من مايكروسوفت ــ هو نتيجة أسوأ على ما يبدو. يحمل هذا الإعلان أيضًا آثارًا كبيرة على الوضع التنافسي لشركة Google. قامت Microsoft ببناء إستراتيجية الذكاء الاصطناعي المؤسسية الخاصة بها حول خدمة Azure OpenAI وشراكتها العميقة مع OpenAI، بينما استثمرت AWS في Amazon Bedrock وحلولها المحلية من خلال Outposts. لا يزال Google Cloud Platform يتخلف عن كلا المنافسين من حيث حصة السوق، على الرغم من ارتفاع إيرادات السحابة في الربع الرابع بنسبة 48٪ على أساس سنوي. يؤدي تمكين Gemini من العمل على بنية تحتية تابعة لجهات خارجية عبر شركاء مثل Cirrascale إلى توسيع سطح التوزيع الخاص بها في القطاعات المحددة - الحكومة والمالية والرعاية الصحية - حيث تتمتع Microsoft وAmazon بمزايا تاريخيًا. بالنسبة إلى Cirrascale، تمثل الشراكة فرصة للتمييز بشكل حاد في السوق حيث تتنافس معظم السحابات الجديدة على توفر وحدة معالجة الرسومات وسعرها. ويتوقع Drigers استيعابًا سريعًا في النصف الثاني من عام 2026. وقال: \"سيكون الأمر جنونيًا قرب نهاية هذا العام\". \"ستقوم البنوك الكبرى أخيرًا بأشياء من هذا القبيل، لأنها تستطيع تأمينها. ويمكنها القيام بذلك على مستوى العالم. ستفعل المؤسسات البحثية الكبرى التي لديها مختبرات في جميع أنحاء العالم هذه الأنواع من الأشياء.\" وتوقع أن يتبعه مقدمو النماذج الحدودية الآخرون بعروض مماثلة قريبًا، ولا يرى أن الجوزاء هي نهاية القصة. وقال دريجرز: \"نعتقد حقًا أن المؤسسة كانت تنتظر الذكاء الاصطناعي الخاص، وليس فقط الجوزاء، ولكن جميع أنواع الذكاء الاصطناعي الخاص\". قد يكون هذا هو الخط الأكثر دلالة على الإطلاق. لمدة ثلاث سنوات، تم تحديد ثورة الذكاء الاصطناعي من خلال صفقة بسيطة: أرسل بياناتك إلى السحابة واحصل على معلومات استخباراتية مرة أخرى. رهان شركة Cirrascale - وعلى نحو متزايد Google - هو أن أكبر العملاء في العالم قد انتهوا من قبول هذه الشروط. أقوى الذكاء الاصطناعي على هذا الكوكب متاح الآن في صندوق واحد مقفل يمكن وضعه في قبو بنك، أو قبو جامعة، أو منشأة حكومية في بلد لا يوجد فيه مركز بيانات لشركة Google. لقد اتضح أن السحابة أصبحت أخيرًا جاهزة للعودة إليها أرض.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/data\/the-modern-data-stack-was-built-for-humans-asking-questions-google-just-rebuilt-its-for-agents-taking-action",
            "title_en": "The modern data stack was built for humans asking questions. Google just rebuilt its for agents taking action.",
            "summary_en": "Enterprise data stacks were built for humans running scheduled queries. As AI agents increasingly act autonomously on behalf of businesses around the clock, that architecture is breaking down — and vendors are racing to rebuild it. Google's answer, announced at Cloud Next on Wednesday, is the Agentic Data Cloud. The architecture has three pillars: Knowledge Catalog. Automates semantic metadata curation, inferring business logic from query logs without manual data steward intervention Cross-cloud lakehouse. Lets BigQuery query Iceberg tables on AWS S3 via private network with no egress fees Data Agent Kit . Drops MCP tools into VS Code, Claude Code and Gemini CLI so data engineers describe outcomes rather than write pipelines \"The data architecture has to change now,\" Andi Gutmans, VP ",
            "body_en": "Enterprise data stacks were built for humans running scheduled queries. As AI agents increasingly act autonomously on behalf of businesses around the clock, that architecture is breaking down — and vendors are racing to rebuild it. Google's answer, announced at Cloud Next on Wednesday, is the Agentic Data Cloud. The architecture has three pillars: Knowledge Catalog. Automates semantic metadata curation, inferring business logic from query logs without manual data steward intervention Cross-cloud lakehouse. Lets BigQuery query Iceberg tables on AWS S3 via private network with no egress fees Data Agent Kit . Drops MCP tools into VS Code, Claude Code and Gemini CLI so data engineers describe outcomes rather than write pipelines \"The data architecture has to change now,\" Andi Gutmans, VP and GM of Data Cloud at Google Cloud, told VentureBeat. \"We're moving from human scale to agent scale.\" From system of intelligence to system of action The core premise behind Agentic Data Cloud is that enterprises are moving from human‑scale to agent‑scale operations. Historically, data platforms have been optimized for reporting, dashboarding, and some forecasting — what Google characterizes as “reactive intelligence.” In that model, humans interpret data and decide what to do. Now, with AI agents increasingly expected to take actions directly on behalf of the business, Gutmans argued that data platforms must evolve into systems of action. \"We need to make sure that all of enterprise data can be activated with AI, that includes both structured and unstructured data,\" Gutmans said. \"We need to make sure that there's the right level of trust, which also means it's not just about getting access to the data, but really understanding the data.\" The Knowledge Catalog is Google's answer to that problem. It is an evolution of Dataplex, Google's existing data governance product, with a materially different architecture underneath. Where traditional data catalogs required data stewards to manually label tables, define business terms and build glossaries, the Knowledge Catalog automates that process using agents. The practical implication for data engineering teams is that the Knowledge Catalog scales to the full data estate, not just the curated subset that a small team of data stewards can maintain by hand. The catalog covers BigQuery, Spanner, AlloyDB and Cloud SQL natively, and federates with third-party catalogs including Collibra, Atlan and Datahub. Zero-copy federation extends semantic context from SaaS applications including SAP, Salesforce Data360, ServiceNow and Workday without requiring data movement. Google's lakehouse goes cross cloud Google has had a data lakehouse called BigLake since 2022. Initially it was limited to just Google data, but in recent years has had some limited federation capabilities enabling enterprises to query data found in other locations. Gutmans explained that the previous federation worked through query APIs, which limited the features and optimizations BigQuery could bring to bear on external data. The new approach is storage-based sharing via the open Apache Iceberg format. That means whether the data is in Amazon S3 or in Google Cloud , he argued it doesn't make a difference. \"This truly means we can bring all the goodness and all the AI capabilities to those third-party data sets,\" he said. The practical result is that BigQuery can query Iceberg tables sitting on Amazon S3 via Google's Cross-Cloud Interconnect, a dedicated private networking layer, with no egress fees and price-performance Google says is comparable to native AWS warehouses. All BigQuery AI functions run against that cross-cloud data without modification. Bidirectional federation in preview extends to Databricks Unity Catalog on S3, Snowflake Polaris and the AWS Glue Data Catalog using the open Iceberg REST Catalog standard. From writing pipelines to describing outcomes The Knowledge Catalog and cross-cloud lakehouse solve the data access and context problems. The third pillar addresses what happens when a data engineer actually sits down to build something with all of it. The Data Agent Kit ships as a portable set of skills, MCP tools and IDE extensions that drop into VS Code, Claude Code, Gemini CLI and Codex. It does not introduce a new interface. The architectural shift it enables is a move from what Gutmans called a \"prescriptive copilot experience\" to intent-driven engineering. Rather than writing a Spark pipeline to move data from source A to destination B, a data engineer describes the outcome — a cleaned dataset ready for model training, a transformation that enforces a governance rule — and the agent selects whether to use BigQuery, the Lightning Engine for Apache Spark or Spanner to execute it, then generates production-ready code. \"Customers are kind of sick of building their own pipelines,\" Gutmans said. \"They're truly more in the review kind of mode, than they are in the writing the code mode.\" Where Google and its rivals diverge The premise that agents require semantic context, not just data access, is shared across the market. Databricks has Unity Catalog, which provides governance and a semantic layer across its lakehouse. Snowflake has Cortex, its AI and semantic layer offering. Microsoft Fabric includes a semantic model layer built for business intelligence and, increasingly, agent grounding. The dispute is not over whether semantics matter — everyone agrees they do. The dispute is over who builds and maintains them. \"Our goal is just to get all the semantics you can get,\" he explained, noting that Google will federate with third-party semantic models rather than require customers to start over. Google is also positioning openness as a differentiator, with bidirectional federation into Databricks Unity Catalog and Snowflake Polaris via the open Iceberg REST Catalog standard. What this means for enterprises Google's argument — and one echoed across the data infrastructure market — is that enterprises are behind on three fronts: Semantic context is becoming infrastructure. If your data catalog is still manually curated, it will not scale to agent workloads — and Gutmans argues that gap will only widen as agent query volumes increase. Cross-cloud egress costs are a hidden tax on agentic AI. Storage-based federation via open Iceberg standards is emerging as the architectural answer across Google, Databricks and Snowflake. Enterprises locked into proprietary federation approaches should be stress-testing those costs at agent-scale query volumes. Gutmans argues the pipeline-writing era is ending. Data engineers who move toward outcome-based orchestration now will have a significant head start.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/7JOcKIiJMNNcc0RrsUcZlD\/83fb356184de655f40f7dd9cd89c2cec\/google-data-stack-smk1.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/data\/the-modern-data-stack-was-built-for-humans-asking-questions-google-just-rebuilt-its-for-agents-taking-action",
            "date": "2026-04-22",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تم إنشاء مكدس البيانات الحديث للبشر لطرح الأسئلة. قامت Google للتو بإعادة بناء موقعها للعملاء الذين يتخذون الإجراءات اللازمة.",
            "summary_ar": "تم إنشاء مجموعات بيانات المؤسسة للبشر الذين يقومون بتشغيل الاستعلامات المجدولة. وبينما يعمل وكلاء الذكاء الاصطناعي بشكل متزايد بشكل مستقل نيابة عن الشركات على مدار الساعة، فإن هذه البنية تنهار - ويتسابق البائعون لإعادة بنائها. إجابة Google، التي تم الإعلان عنها في Cloud Next يوم الأربعاء، هي Agentic Data Cloud. تتكون البنية من ثلاث ركائز: كتالوج المعرفة. أتمتة معالجة بيانات التعريف الدلالية، واستنتاج منطق الأعمال من سجلات الاستعلام دون تدخل يدوي لمشرف البيانات عبر السحابة. يتيح لـ BigQuery الاستعلام عن جداول Iceberg على AWS S3 عبر شبكة خاصة بدون رسوم خروج Data Agent Kit. يسقط أدوات MCP في VS Code وClaude Code وGemini CLI حتى يصف مهندسو البيانات النتائج بدلاً من كتابة خطوط الأنابيب \"يجب أن تتغير بنية البيانات الآن،\" نائب الرئيس آندي جوتمانز",
            "body_ar": "تم إنشاء مجموعات بيانات المؤسسة للبشر الذين يقومون بتشغيل الاستعلامات المجدولة. وبينما يعمل وكلاء الذكاء الاصطناعي بشكل متزايد بشكل مستقل نيابة عن الشركات على مدار الساعة، فإن هذه البنية تنهار - ويتسابق البائعون لإعادة بنائها. إجابة Google، التي تم الإعلان عنها في Cloud Next يوم الأربعاء، هي Agentic Data Cloud. تتكون البنية من ثلاث ركائز: كتالوج المعرفة. أتمتة معالجة بيانات التعريف الدلالية، واستنتاج منطق الأعمال من سجلات الاستعلام دون تدخل يدوي لمشرف البيانات عبر السحابة. يتيح لـ BigQuery الاستعلام عن جداول Iceberg على AWS S3 عبر شبكة خاصة بدون رسوم خروج Data Agent Kit. يسقط أدوات MCP في VS Code وClaude Code وGemini CLI حتى يصف مهندسو البيانات النتائج بدلاً من كتابة خطوط الأنابيب \"يجب أن تتغير بنية البيانات الآن\"، كما قال آندي جوتمانز، نائب الرئيس والمدير العام لـ Data Cloud في Google Cloud، لـ VentureBeat. \"نحن ننتقل من النطاق البشري إلى نطاق الوكلاء.\" من نظام الذكاء إلى نظام العمل الفرضية الأساسية وراء Agentic Data Cloud هي أن المؤسسات تنتقل من العمليات على نطاق الإنسان إلى العمليات على نطاق الوكلاء. تاريخيًا، تم تحسين منصات البيانات لإعداد التقارير، ولوحة المعلومات، وبعض التنبؤات - وهو ما تصفه جوجل بـ \"الذكاء التفاعلي\". في هذا النموذج، يفسر البشر البيانات ويقررون ما يجب القيام به. الآن، مع توقع متزايد أن يقوم وكلاء الذكاء الاصطناعي باتخاذ إجراءات مباشرة نيابة عن الشركة، يرى جوتمانز أن منصات البيانات يجب أن تتطور إلى أنظمة عمل. وقال جوتمانز: \"نحن بحاجة إلى التأكد من إمكانية تفعيل جميع بيانات المؤسسة باستخدام الذكاء الاصطناعي، بما في ذلك البيانات المنظمة وغير المنظمة\". \"نحن بحاجة إلى التأكد من وجود المستوى المناسب من الثقة، وهو ما يعني أيضًا أن الأمر لا يتعلق فقط بالوصول إلى البيانات، بل بفهم البيانات حقًا.\" كتالوج المعرفة هو إجابة Google لهذه المشكلة. إنه تطور لـ Dataplex، منتج Google الحالي لإدارة البيانات، مع بنية مختلفة ماديًا تحته. عندما تتطلب كتالوجات البيانات التقليدية من مشرفي البيانات تسمية الجداول يدويًا، وتحديد مصطلحات الأعمال وإنشاء المسارد، يقوم كتالوج المعرفة بأتمتة هذه العملية باستخدام الوكلاء. التأثير العملي لفرق هندسة البيانات هو أن كتالوج المعرفة يتوسع ليشمل ملكية البيانات الكاملة، وليس فقط المجموعة الفرعية المنسقة التي يمكن لفريق صغير من مشرفي البيانات صيانتها يدويًا. يغطي الكتالوج BigQuery وSpanner وAlloyDB وCloud SQL محليًا، ويتحد مع كتالوجات الجهات الخارجية بما في ذلك Collibra وAtlan وDatahub. يعمل اتحاد النسخ الصفرية على توسيع السياق الدلالي من تطبيقات SaaS بما في ذلك SAP وSalesforce Data360 وServiceNow وWorkday دون الحاجة إلى نقل البيانات. تمتلك Google بحيرة بيانات تسمى BigLake منذ عام 2022. في البداية كان يقتصر على بيانات جوجل فقط، ولكن في السنوات الأخيرة كان لديه بعض القدرات الفيدرالية المحدودة التي تمكن المؤسسات من الاستعلام عن البيانات الموجودة في مواقع أخرى. أوضح جوتمانز أن الاتحاد السابق كان يعمل من خلال واجهات برمجة تطبيقات الاستعلام، مما حد من الميزات والتحسينات التي يمكن أن تقدمها BigQuery للتأثير على البيانات الخارجية. النهج الجديد هو المشاركة القائمة على التخزين عبر تنسيق Apache Iceberg المفتوح. وهذا يعني أنه سواء كانت البيانات موجودة في Amazon S3 أو في Google Cloud، فهو يرى أن ذلك لا يحدث فرقًا. وقال: \"هذا يعني حقًا أنه يمكننا جلب كل الخير وجميع قدرات الذكاء الاصطناعي إلى مجموعات بيانات الطرف الثالث هذه\". والنتيجة العملية هي أن BigQuery يمكنها الاستعلام عن جداول Iceberg الموجودة على Amazon S3 عبر Cross-Cloud Interconnect من Google، وهي طبقة شبكات خاصة مخصصة، بدون رسوم خروج وأداء سعري تقول Google إنه مشابه لمستودعات AWS الأصلية. تعمل جميع وظائف BigQuery AI على تلك البيانات عبر السحابة دون تعديل. يمتد الاتحاد ثنائي الاتجاه في المعاينة إلى Databricks Unity Catalog على S3 وSnowflake Polaris وAWS Glue Data Catalog باستخدام معيار Iceberg REST Catalog المفتوح. من كتابة خطوط الأنابيب إلى وصف النتائج، يعمل كتالوج المعرفة والبحيرة عبر السحابة على حل مشاكل الوصول إلى البيانات والسياق. تتناول الركيزة الثالثة ما يحدث عندما يجلس مهندس البيانات فعليًا لبناء شيء ما باستخدام كل ذلك. تأتي مجموعة أدوات وكيل البيانات كمجموعة محمولة من المهارات وأدوات MCP وامتدادات IDE التي تندرج في VS Code وClaude Code وGemini CLI وCodex. لا يقدم واجهة جديدة. إن التحول المعماري الذي يتيحه هو الانتقال مما أسماه جوتمانز \"تجربة مساعد الطيار الإرشادية\" إلى الهندسة القائمة على النوايا. بدلاً من كتابة مسار Spark لنقل البيانات من المصدر أ إلى الوجهة ب، يصف مهندس البيانات النتيجة - مجموعة بيانات نظيفة جاهزة للتدريب على النموذج، وهو تحويل يفرض قاعدة حوكمة - ويختار الوكيل ما إذا كان سيستخدم BigQuery، أو Lightning Engine لـ Apache Spark أو Spanner لتنفيذها، ثم يقوم بإنشاء تعليمات برمجية جاهزة للإنتاج. وقال جوتمانز: \"لقد سئم العملاء نوعًا ما من بناء خطوط الأنابيب الخاصة بهم\". \"إنهم حقًا في وضع المراجعة أكثر من وضع كتابة التعليمات البرمجية.\" حيث تتباعد جوجل ومنافسيها إن الفرضية القائلة بأن الوكلاء يحتاجون إلى سياق دلالي، وليس فقط الوصول إلى البيانات، هي فرضية مشتركة في جميع أنحاء السوق. تحتوي Databricks على Unity Catalog، الذي يوفر الإدارة والطبقة الدلالية عبر البحيرة الخاصة بها. تحتوي Snowflake على Cortex والذكاء الاصطناعي والطبقة الدلالية. يشتمل Microsoft Fabric على طبقة نموذجية دلالية مصممة لذكاء الأعمال، وبشكل متزايد، لتأريض الوكيل. لا يدور الخلاف حول ما إذا كانت الدلالات مهمة أم لا، فالجميع يتفق على أهميتها. ويدور الخلاف حول من يبنيها ويحافظ عليها. وأوضح: \"هدفنا هو الحصول على كل الدلالات التي يمكنك الحصول عليها\"، مشيرًا إلى أن Google ستتحد مع نماذج دلالية تابعة لجهات خارجية بدلاً من مطالبة العملاء بالبدء من جديد. تعمل Google أيضًا على وضع الانفتاح كعامل تمييز، مع الاتحاد ثنائي الاتجاه في Databricks Unity Catalog وSnowflake Polaris عبر معيار كتالوج Iceberg REST المفتوح. ماذا يعني هذا بالنسبة للمؤسسات؟ إن حجة جوجل - والتي ترددت في جميع أنحاء سوق البنية التحتية للبيانات - هي أن المؤسسات متخلفة على ثلاث جبهات: السياق الدلالي أصبح بنية تحتية. إذا كان كتالوج البيانات الخاص بك لا يزال منسقًا يدويًا، فلن يتناسب مع أعباء عمل الوكيل - ويقول جوتمانز إن الفجوة لن تتسع إلا مع زيادة أحجام استعلام الوكيل. تكاليف الخروج عبر السحابة هي ضريبة مخفية على الذكاء الاصطناعي الوكيل. يظهر الاتحاد القائم على التخزين عبر معايير Iceberg المفتوحة كإجابة معمارية عبر Google وDatabricks وSnowflake. يجب على الشركات الملتزمة بأساليب اتحادية خاصة أن تقوم باختبار تحمل تلك التكاليف على أحجام الاستعلام على مستوى الوكلاء. يقول جوتمانز إن عصر كتابة خطوط الأنابيب قد انتهى. مهندسو البيانات الذين يتجهون نحو التنسيق القائم على النتائج الآن سيكون لديهم رأس كبير يبدأ.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/22\/1135295\/ai-needs-a-strong-data-fabric-to-deliver-business-value\/",
            "title_en": "AI needs a strong data fabric to deliver business value",
            "summary_en": "Artificial intelligence is moving quickly in the enterprise, from experimentation to everyday use. Organizations are deploying copilots, agents, and predictive systems across finance, supply chains, human resources, and customer operations. By the end of 2025, half of companies used AI in at least three business functions , according to a recent survey. But as AI becomes embedded in core workflows, business leaders are discovering that the biggest obstacle is not model performance or computing power but the quality and the context of the data on which those systems rely. AI essentially introduces a new requirement: Systems must not only access data — they must understand the business context behind it. Without that context, AI can generate answers quickly but still make the wrong decision,",
            "body_en": "Artificial intelligence is moving quickly in the enterprise, from experimentation to everyday use. Organizations are deploying copilots, agents, and predictive systems across finance, supply chains, human resources, and customer operations. By the end of 2025, half of companies used AI in at least three business functions , according to a recent survey. But as AI becomes embedded in core workflows, business leaders are discovering that the biggest obstacle is not model performance or computing power but the quality and the context of the data on which those systems rely. AI essentially introduces a new requirement: Systems must not only access data — they must understand the business context behind it. Without that context, AI can generate answers quickly but still make the wrong decision, says Irfan Khan, president and chief product officer of SAP Data & Analytics. “AI is incredibly good at producing results,” he says. “It moves fast, but without context it can’t exercise good judgment, and good judgment is what creates a return on investment for the business. Speed without judgment doesn’t help. It can actually hurt us.” In the emerging era of autonomous systems and intelligent applications, that context layer is becoming essential. To provide context, companies need a well-designed data fabric that does more than just integrate data, Khan says. The right data fabric allows organizations to scale AI safely, coordinate decisions across systems and agents, and ensure that automation reflects real business priorities rather than making decisions in isolation. Recognizing this, many organizations are rethinking their data architecture. Instead of simply moving data into a single repository, they are looking for ways to connect information across applications, clouds, and operational systems while preserving the semantics that describe how the business works. That shift is driving growing interest in data fabric as a foundation for AI infrastructure. Losing context is a critical AI problem Traditional data strategies have largely focused on aggregation. Over the past two decades, organizations have invested heavily in extracting information from operational systems and loading it into centralized warehouses, lakes, and dashboards. This approach makes it easier to run reports, monitor performance, and generate insights across the business, but in the process, much of the meaning attached to that data — how it relates to policies, processes, and real-world decisions — is lost. Take two companies using AI to manage supply-chain disruptions. If one uses raw signals such as inventory levels, lead times, and supply scores, while the other adds context across business processes, policies, and metadata, both systems will rapidly analyze the data but likely come up with different conclusions. Information such as which customers are strategic accounts, what tradeoffs are acceptable during shortages, and the status of extended supply chains will allow one AI system to make strategic decisions, while the other will not have the proper context, Khan says. “Both systems move very quickly, but only one moves in the right direction,” he says. “This is the context premium and the advantage you gain when your data foundation preserves context across processes, policies and data by design.” In the past, companies implicitly managed a lack of context because human experts provided the missing information, but with AI, there is a shortfall and that creates serious limitations. AI systems do not just display information; they act on it. If a system does not explain why data matters, an AI model may optimize for the wrong outcome. Inventory numbers, payment histories, or demand signals might be accurate, but they do not necessarily reveal which customers must be prioritized, which contractual obligations apply, or which products are strategically important. As a result, the system can produce answers that are technically correct but operationally flawed. This realization is changing how companies think about AI readiness. Most acknowledge that they do not have the mature data processes and infrastructure in place to trust their data and their AI systems. Only one in five organizations consider their approach to data to be highly mature, and only 9% feel fully prepared to integrate and interoperate with their data systems. Don’t consolidate, integrate The emerging solution is a data fabric: An abstraction layer that spans infrastructure, architecture, and logical organization. For agentic AI, the fabric becomes the primary interface, allowing agents to interact with business knowledge rather than raw storage systems. Knowledge graphs play a central role, enabling agents to query enterprise data using natural language and business logic. The value of the data fabric relies on three components: Intelligent compute to provide speed, a knowledge pool to provide business understanding and context, and agents to provide autonomous action are grounded in that understanding. What makes this powerful is how these capabilities work together, says Khan. The technology provides the architecture — a foundation that makes agent-to-agent communication and coordination possible. The process will define how businesses and IT share ownership, and establish governance and a culture in which people trust enough to adopt it. Now all three things must work together for a business data fabric to truly be successful. “It empowers confident, consistent decisions, and when these elements all come together, AI just doesn’t analyze and interpret the data — it drives smarter, faster decisions that really create business impact,” he says. “This is the promise of a thoughtfully designed business data fabric, where every part reinforces the other, and every insight is grounded in trust and clarity.” Technically, building a data-fabric layer requires several capabilities. Data must be accessible across multiple environments through federation rather than forced consolidation. A semantic or knowledge layer is needed to harmonize meaning across systems, often supported by knowledge graphs and catalog-driven metadata. Governance and policy enforcement must also operate across the fabric so that AI systems can access data securely and consistently. Together, these elements create a foundation where AI interacts with business knowledge instead of raw storage systems — an essential step for moving from experimentation to real enterprise automation. Beyond data isolation and dashboards In the emerging era of agentic AI, the responsibility for monitoring, analyzing, and making decisions based on data increasingly shifts to software. AI agents can monitor events, trigger workflows, and make decisions in real time, often without direct human intervention. That speed creates new opportunities, but it also raises the stakes. When multiple agents operate across finance, supply chain, procurement, or customer operations, they must be guided by the same understanding of business priorities. Without a common knowledge layer connecting disparate data together, coordination between systems quickly breaks down. One system might optimize for margin, another for liquidity, and another for compliance, each working from a different slice of data. Importantly, most enterprises already possess much of the knowledge needed to make this work, says Khan. Years of operational data, master data, workflows, and policy logic already exist across business applications — companies just need to make it accessible. Companies that deploy data fabrics gain greater trust in their data, with more than two thirds of enterprises seeing improved data accessibility, data visibility, and exerting more control over their data. “The opportunity isn’t just inventing context from scratch, it’s activating and connecting the context across your business that already exists,” he continues, adding that a data fabric is the “architecture that ensures data semantics, business processes and policies are connected as a unified system across all the clouds.” This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/SAP-article-iStock-480794780.jpg",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/22\/1135295\/ai-needs-a-strong-data-fabric-to-deliver-business-value\/",
            "date": "2026-04-22",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يحتاج الذكاء الاصطناعي إلى نسيج بيانات قوي لتقديم قيمة الأعمال",
            "summary_ar": "يتحرك الذكاء الاصطناعي بسرعة في المؤسسة، بدءًا من التجريب وحتى الاستخدام اليومي. تقوم المؤسسات بنشر مساعدي الطيارين والوكلاء والأنظمة التنبؤية عبر الشؤون المالية وسلاسل التوريد والموارد البشرية وعمليات العملاء. بحلول نهاية عام 2025، استخدمت نصف الشركات الذكاء الاصطناعي في ثلاث وظائف تجارية على الأقل، وفقًا لدراسة حديثة. ولكن مع تحول الذكاء الاصطناعي إلى جزء لا يتجزأ من سير العمل الأساسي، يكتشف قادة الأعمال أن العائق الأكبر لا يتمثل في أداء النموذج أو قوة الحوسبة، بل في جودة وسياق البيانات التي تعتمد عليها تلك الأنظمة. يقدم الذكاء الاصطناعي بشكل أساسي مطلبًا جديدًا: لا يجب على الأنظمة الوصول إلى البيانات فحسب، بل يجب أن تفهم سياق الأعمال الذي يقف وراءها. وبدون هذا السياق، يمكن للذكاء الاصطناعي أن يولد الإجابات بسرعة ولكنه لا يزال يرتكب الأخطاء قرار،",
            "body_ar": "يتحرك الذكاء الاصطناعي بسرعة في المؤسسة، بدءًا من التجريب وحتى الاستخدام اليومي. تقوم المؤسسات بنشر مساعدي الطيارين والوكلاء والأنظمة التنبؤية عبر الشؤون المالية وسلاسل التوريد والموارد البشرية وعمليات العملاء. بحلول نهاية عام 2025، استخدمت نصف الشركات الذكاء الاصطناعي في ثلاث وظائف تجارية على الأقل، وفقًا لدراسة حديثة. ولكن مع تحول الذكاء الاصطناعي إلى جزء لا يتجزأ من سير العمل الأساسي، يكتشف قادة الأعمال أن العائق الأكبر لا يتمثل في أداء النموذج أو قوة الحوسبة، بل في جودة وسياق البيانات التي تعتمد عليها تلك الأنظمة. يقدم الذكاء الاصطناعي بشكل أساسي مطلبًا جديدًا: لا يجب على الأنظمة الوصول إلى البيانات فحسب، بل يجب أن تفهم سياق الأعمال الذي يقف وراءها. يقول عرفان خان، الرئيس والمدير التنفيذي للمنتجات في SAP Data & Analytics، إنه بدون هذا السياق، يمكن للذكاء الاصطناعي توليد الإجابات بسرعة ولكنه لا يزال يتخذ القرار الخاطئ. ويقول: \"إن الذكاء الاصطناعي جيد بشكل لا يصدق في تحقيق النتائج\". \"إنها تتحرك بسرعة، ولكن بدون سياق لا يمكنها ممارسة الحكم الجيد، والحكم الجيد هو ما يخلق عائدًا على الاستثمار للشركة. والسرعة بدون حكم لا تساعد. يمكن أن يؤذينا في الواقع.\" وفي العصر الناشئ للأنظمة المستقلة والتطبيقات الذكية، أصبحت طبقة السياق هذه ضرورية. يقول خان إنه لتوفير السياق، تحتاج الشركات إلى نسيج بيانات جيد التصميم، يقوم بما هو أكثر من مجرد دمج البيانات. يسمح نسيج البيانات الصحيح للمؤسسات بتوسيع نطاق الذكاء الاصطناعي بأمان، وتنسيق القرارات عبر الأنظمة والوكلاء، والتأكد من أن الأتمتة تعكس أولويات العمل الحقيقية بدلاً من اتخاذ القرارات بمعزل عن غيرها. وإدراكًا لذلك، تقوم العديد من المؤسسات بإعادة التفكير في بنية البيانات الخاصة بها. بدلاً من مجرد نقل البيانات إلى مستودع واحد، يبحثون عن طرق لربط المعلومات عبر التطبيقات والسحابات وأنظمة التشغيل مع الحفاظ على الدلالات التي تصف كيفية عمل الأعمال. ويؤدي هذا التحول إلى زيادة الاهتمام بنسيج البيانات كأساس للبنية التحتية للذكاء الاصطناعي. يعد فقدان السياق مشكلة حرجة في الذكاء الاصطناعي. وقد ركزت استراتيجيات البيانات التقليدية إلى حد كبير على التجميع. على مدى العقدين الماضيين، استثمرت المؤسسات بشكل كبير في استخراج المعلومات من الأنظمة التشغيلية وتحميلها إلى المستودعات المركزية والبحيرات ولوحات المعلومات. يسهّل هذا النهج تشغيل التقارير ومراقبة الأداء وإنشاء رؤى عبر الأعمال، ولكن في هذه العملية، يتم فقدان الكثير من المعنى المرتبط بتلك البيانات - مدى ارتباطها بالسياسات والعمليات والقرارات الواقعية. لنأخذ على سبيل المثال شركتين تستخدمان الذكاء الاصطناعي لإدارة اضطرابات سلسلة التوريد. إذا استخدم أحدهما إشارات أولية مثل مستويات المخزون، والمهل الزمنية، ونتائج العرض، بينما أضاف الآخر سياقًا عبر العمليات التجارية والسياسات والبيانات الوصفية، فسيقوم كلا النظامين بتحليل البيانات بسرعة ولكن من المحتمل أن يتوصلا إلى استنتاجات مختلفة. يقول خان إن المعلومات، مثل العملاء الذين يمثلون حسابات استراتيجية، وما هي المقايضات المقبولة أثناء النقص، وحالة سلاسل التوريد الممتدة، ستسمح لأحد أنظمة الذكاء الاصطناعي باتخاذ قرارات استراتيجية، بينما لن يكون لدى الآخر السياق المناسب. ويقول: \"كلا النظامين يتحركان بسرعة كبيرة، لكن أحدهما فقط يتحرك في الاتجاه الصحيح\". \"هذه هي ميزة السياق والميزة التي تكتسبها عندما تحافظ مؤسسة البيانات الخاصة بك على السياق عبر العمليات والسياسات والبيانات حسب التصميم.\" في الماضي، تمكنت الشركات ضمنيًا من إدارة الافتقار إلى السياق لأن الخبراء البشريين قدموا المعلومات المفقودة، ولكن مع الذكاء الاصطناعي، هناك نقص مما يخلق قيودًا خطيرة. لا تعرض أنظمة الذكاء الاصطناعي المعلومات فحسب؛ يتصرفون على ذلك. إذا لم يشرح النظام سبب أهمية البيانات، فقد يؤدي نموذج الذكاء الاصطناعي إلى تحسين النتيجة الخاطئة. قد تكون أرقام المخزون أو سجلات الدفع أو إشارات الطلب دقيقة، ولكنها لا تكشف بالضرورة عن العملاء الذين يجب منحهم الأولوية، أو الالتزامات التعاقدية المطبقة، أو المنتجات ذات الأهمية الاستراتيجية. ونتيجة لذلك، يمكن للنظام أن ينتج إجابات صحيحة من الناحية الفنية ولكنها معيبة من الناحية التشغيلية. يؤدي هذا الإدراك إلى تغيير طريقة تفكير الشركات في جاهزية الذكاء الاصطناعي. يقر معظمهم بأنهم لا يمتلكون عمليات البيانات الناضجة والبنية التحتية اللازمة للوثوق ببياناتهم وأنظمة الذكاء الاصطناعي الخاصة بهم. تعتبر واحدة فقط من كل خمس مؤسسات أن نهجها في التعامل مع البيانات ناضج للغاية، ويشعر 9٪ فقط بالاستعداد الكامل للتكامل والتفاعل مع أنظمة البيانات الخاصة بها. لا تدمج، بل تدمج الحل الناشئ هو نسيج البيانات: طبقة تجريد تشمل البنية التحتية والهندسة المعمارية والتنظيم المنطقي. بالنسبة للذكاء الاصطناعي الوكيل، يصبح النسيج هو الواجهة الأساسية، مما يسمح للوكلاء بالتفاعل مع المعرفة التجارية بدلاً من أنظمة التخزين الأولية. تلعب الرسوم البيانية المعرفية دورًا مركزيًا، حيث تمكن الوكلاء من الاستعلام عن بيانات المؤسسة باستخدام اللغة الطبيعية ومنطق الأعمال. تعتمد قيمة نسيج البيانات على ثلاثة مكونات: الحوسبة الذكية لتوفير السرعة، ومجموعة المعرفة لتوفير فهم وسياق الأعمال، والوكلاء لتوفير إجراءات مستقلة ترتكز على هذا الفهم. ويقول خان إن ما يجعل هذا الجهاز قويًا هو كيفية عمل هذه القدرات معًا. توفر التكنولوجيا البنية الأساسية التي تجعل التواصل والتنسيق بين الوكلاء أمرًا ممكنًا. ستحدد العملية كيفية تقاسم الملكية بين الشركات وتكنولوجيا المعلومات، وتأسيس الحوكمة والثقافة التي يثق فيها الأشخاص بدرجة كافية لتبنيها. الآن يجب أن تعمل الأشياء الثلاثة معًا حتى يكون نسيج بيانات الأعمال ناجحًا حقًا. ويقول: \"إنه يمكّن من اتخاذ قرارات واثقة ومتسقة، وعندما تجتمع كل هذه العناصر معًا، لا يقوم الذكاء الاصطناعي بتحليل البيانات وتفسيرها - بل يؤدي إلى اتخاذ قرارات أكثر ذكاءً وأسرع تخلق تأثيرًا حقيقيًا على الأعمال\". \"هذا هو الوعد بنسيج بيانات الأعمال المصمم بعناية، حيث يعزز كل جزء الآخر، وترتكز كل رؤية على الثقة والوضوح.\" من الناحية الفنية، يتطلب بناء طبقة نسيج البيانات العديد من الإمكانات. يجب أن تكون البيانات قابلة للوصول عبر بيئات متعددة من خلال الاتحاد بدلاً من الدمج القسري. هناك حاجة إلى طبقة دلالية أو معرفية لتنسيق المعنى عبر الأنظمة، وغالبًا ما تكون مدعومة برسوم بيانية معرفية وبيانات تعريفية تعتمد على الكتالوج. ويجب أن تعمل الحوكمة وإنفاذ السياسات أيضًا عبر النسيج حتى تتمكن أنظمة الذكاء الاصطناعي من الوصول إلى البيانات بشكل آمن ومتسق. تعمل هذه العناصر معًا على إنشاء أساس يتفاعل فيه الذكاء الاصطناعي مع المعرفة التجارية بدلاً من أنظمة التخزين الأولية - وهي خطوة أساسية للانتقال من التجريب إلى أتمتة المؤسسات الحقيقية. ما وراء عزل البيانات ولوحات المعلومات في العصر الناشئ للذكاء الاصطناعي الوكيل، تتحول مسؤولية المراقبة والتحليل واتخاذ القرارات بناءً على البيانات بشكل متزايد إلى البرامج. يمكن لوكلاء الذكاء الاصطناعي مراقبة الأحداث، وتفعيل سير العمل، واتخاذ القرارات في الوقت الفعلي، وغالبًا ما يكون ذلك دون تدخل بشري مباشر. وتخلق هذه السرعة فرصًا جديدة، ولكنها تزيد من المخاطر أيضًا. عندما يعمل العديد من الوكلاء عبر التمويل أو سلسلة التوريد أو المشتريات أو عمليات العملاء، يجب أن يسترشدوا بنفس الفهم لأولويات العمل. وبدون وجود طبقة معرفة مشتركة تربط البيانات المتباينة معًا، ينهار التنسيق بين الأنظمة بسرعة. قد يقوم أحد الأنظمة بتحسين الهامش، وآخر للسيولة، وآخر للامتثال، ويعمل كل منهما من شريحة مختلفة من البيانات. والأهم من ذلك، أن معظم الشركات تمتلك بالفعل الكثير من المعرفة اللازمة لإنجاز هذا العمل، كما يقول خان. توجد بالفعل سنوات من البيانات التشغيلية والبيانات الرئيسية وسير العمل ومنطق السياسات عبر تطبيقات الأعمال - وتحتاج الشركات فقط إلى جعلها في متناول الجميع. تكتسب الشركات التي تنشر أنسجة البيانات ثقة أكبر في بياناتها، حيث تشهد أكثر من ثلثي المؤسسات تحسين إمكانية الوصول إلى البيانات، ورؤية البيانات، وممارسة المزيد من التحكم في بياناتها. ويواصل قائلاً: \"لا تقتصر الفرصة على اختراع السياق من الصفر فحسب، بل إنها تعمل على تنشيط وربط السياق الموجود بالفعل عبر عملك\"، مضيفًا أن نسيج البيانات هو \"البنية التي تضمن ربط دلالات البيانات وعمليات الأعمال والسياسات كنظام موحد عبر جميع السحابات\". تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي ​​تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135643\/10-ai-artificial-intelligence-trends-technologies-research-2026\/",
            "title_en": "10 Things That Matter in AI Right Now",
            "summary_en": "",
            "body_en": "",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/MIT-TR_10-things-that-matter-in-AI-right-now_Social_1200x628.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135643\/10-ai-artificial-intelligence-trends-technologies-research-2026\/",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "10 أشياء مهمة في الذكاء الاصطناعي الآن",
            "summary_ar": "",
            "body_ar": "",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135645\/llm-large-language-models-ai\/",
            "title_en": "LLMs+",
            "summary_en": "When ChatGPT launched as an experimental prototype in late 2022, OpenAI’s chatbot became an everyday everything app for hundreds of millions of people. LLMs like ChatGPT were the new future: The entire tech industry was consumed by the inferno, with companies racing to spin up rival products. The ashes of the old tech world still haven’t settled, but that hasn’t stopped people from asking what’s next. Spoiler alert: The next big thing after LLMs is more LLMs. But better. Let’s call them LLMs+. The challenge is to get LLMs to work through complex and multipart problems that would take humans days or weeks to solve. If they are going to help us tackle some of our hardest challenges (which is the stated aim of the top labs), then they need to be able to work by themselves for longer periods o",
            "body_en": "When ChatGPT launched as an experimental prototype in late 2022, OpenAI’s chatbot became an everyday everything app for hundreds of millions of people. LLMs like ChatGPT were the new future: The entire tech industry was consumed by the inferno, with companies racing to spin up rival products. The ashes of the old tech world still haven’t settled, but that hasn’t stopped people from asking what’s next. Spoiler alert: The next big thing after LLMs is more LLMs. But better. Let’s call them LLMs+. The challenge is to get LLMs to work through complex and multipart problems that would take humans days or weeks to solve. If they are going to help us tackle some of our hardest challenges (which is the stated aim of the top labs), then they need to be able to work by themselves for longer periods of time. To get there, a few things need to happen. First, LLMs must become more efficient and cheaper to run. Some of the biggest advances are on this front. One approach, called mixture-of-experts, splits an LLM up into smaller parts and gives each an expertise in a different type of task. That means only some parts of the model need to be switched on at a given time. Another way to make LLMs more efficient could be to ditch transformers—the type of neural network underpinning almost all of them today—in favor of diffusion models, an alternative type of neural network more typically used for image and video generation. There are more experimental approaches, too. Last year, the Chinese AI firm DeepSeek showed off a way to encode text in images , which cuts computation costs. Another crucial area of progress has to do with what’s known as an LLM’s context window. This is the amount of text (or video) that a model can take in at once, equivalent to its working memory. A couple of years ago, LLMs could process several thousand tokens (words or parts of words) in one go, or a few dozen pages of text. The latest models now have context windows up to a million tokens long—a whole stack of books. But the bigger the context window and the longer the task, the more likely models are to go off the rails or forget what they were doing. There are breakthroughs happening there, too. One recent paper by researchers at MIT CSAIL introduced what they call recursive LLMs . Instead of taking in a vast context window at once, recursive LLMs break their input up into chunks and send each chunk to a copy of itself, which in turn might break those chunks up again and send the results to even more copies. Multiple LLMs processing smaller pieces of information seem to be far more reliable for long, hard tasks. The result is an LLM, but not as we know it.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/llm-plusC-thumb.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135645\/llm-large-language-models-ai\/",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "ماجستير في القانون +",
            "summary_ar": "عندما تم إطلاق ChatGPT كنموذج أولي تجريبي في أواخر عام 2022، أصبح برنامج الدردشة الآلي الخاص بـ OpenAI تطبيقًا يوميًا لكل شيء لمئات الملايين من الأشخاص. كانت شهادات LLM مثل ChatGPT هي المستقبل الجديد: لقد استهلك الجحيم صناعة التكنولوجيا بأكملها، حيث تتسابق الشركات لتدوير المنتجات المنافسة. رماد عالم التكنولوجيا القديم لم يستقر بعد، لكن هذا لم يمنع الناس من التساؤل عما هو التالي. تنبيه المفسد: الشيء الكبير التالي بعد LLMs هو المزيد من LLMs. لكن أفضل. دعنا نسميهم LLM+. ويتمثل التحدي في جعل حاملي الماجستير في القانون يعملون على حل مشكلات معقدة ومتعددة الأجزاء قد يستغرق حلها من البشر أيامًا أو أسابيع. إذا كانوا سيساعدوننا في معالجة بعض أصعب التحديات التي نواجهها (وهو الهدف المعلن لأفضل المعامل)، فيجب أن يكونوا قادرين على العمل بأنفسهم لفترات أطول",
            "body_ar": "عندما تم إطلاق ChatGPT كنموذج أولي تجريبي في أواخر عام 2022، أصبح برنامج الدردشة الآلي الخاص بـ OpenAI تطبيقًا يوميًا لكل شيء لمئات الملايين من الأشخاص. كانت شهادات LLM مثل ChatGPT هي المستقبل الجديد: لقد استهلك الجحيم صناعة التكنولوجيا بأكملها، حيث تتسابق الشركات لتدوير المنتجات المنافسة. رماد عالم التكنولوجيا القديم لم يستقر بعد، لكن هذا لم يمنع الناس من التساؤل عما هو التالي. تنبيه المفسد: الشيء الكبير التالي بعد LLMs هو المزيد من LLMs. لكن أفضل. دعنا نسميهم LLM+. ويتمثل التحدي في جعل حاملي الماجستير في القانون يعملون على حل مشكلات معقدة ومتعددة الأجزاء قد يستغرق حلها من البشر أيامًا أو أسابيع. إذا كانوا سيساعدوننا في معالجة بعض أصعب التحديات التي نواجهها (وهو الهدف المعلن لأفضل المختبرات)، فيجب أن يكونوا قادرين على العمل بأنفسهم لفترات أطول من الوقت. للوصول إلى هناك، يجب أن تحدث بعض الأشياء. أولاً، يجب أن تصبح برامج الماجستير في القانون أكثر كفاءة وأقل تكلفة في التشغيل. وقد تم تحقيق بعض أكبر التطورات على هذه الجبهة. أحد الأساليب، يسمى خليط الخبراء، يقسم LLM إلى أجزاء أصغر ويمنح كل منها خبرة في نوع مختلف من المهام. وهذا يعني أن بعض أجزاء النموذج فقط هي التي تحتاج إلى التشغيل في وقت معين. هناك طريقة أخرى لجعل ماجستير إدارة الأعمال أكثر كفاءة، وهي التخلص من المحولات - نوع الشبكة العصبية التي تقوم عليها جميعها تقريبًا اليوم - لصالح نماذج الانتشار، وهو نوع بديل من الشبكات العصبية يستخدم عادةً لتوليد الصور والفيديو. هناك المزيد من الأساليب التجريبية أيضًا. في العام الماضي، عرضت شركة DeepSeek الصينية للذكاء الاصطناعي طريقة لتشفير النص في الصور، مما يقلل تكاليف الحساب. هناك مجال آخر مهم للتقدم يتعلق بما يعرف بنافذة سياق LLM. هذا هو مقدار النص (أو الفيديو) الذي يمكن للنموذج استيعابه مرة واحدة، وهو ما يعادل الذاكرة العاملة الخاصة به. منذ بضع سنوات مضت، كان بإمكان حاملي شهادة الماجستير في القانون معالجة عدة آلاف من الرموز المميزة (كلمات أو أجزاء من الكلمات) دفعة واحدة، أو بضع عشرات من الصفحات من النص. تحتوي أحدث النماذج الآن على نوافذ سياقية يصل طولها إلى مليون رمز مميز، أي مجموعة كاملة من الكتب. لكن كلما كانت نافذة السياق أكبر وكلما كانت المهمة أطول، زاد احتمال خروج النماذج عن المسار الصحيح أو نسيان ما كانوا يفعلونه. هناك اختراقات تحدث هناك أيضًا. قدمت إحدى الأوراق البحثية الحديثة التي أجراها باحثون في معهد ماساتشوستس للتكنولوجيا CSAIL ما يسمونه LLMs العودية. بدلاً من أخذ نافذة سياق واسعة مرة واحدة، يقوم طلاب LLM العوديون بتقسيم مدخلاتهم إلى أجزاء وإرسال كل قطعة إلى نسخة من نفسها، والتي بدورها قد تقوم بتقسيم تلك الأجزاء مرة أخرى وإرسال النتائج إلى المزيد من النسخ. يبدو أن الحاصلين على ماجستير إدارة الأعمال المتعددين الذين يقومون بمعالجة أجزاء أصغر من المعلومات أكثر موثوقية بكثير للمهام الطويلة والصعبة. والنتيجة هي LLM، ولكن ليس كما نعلم هو - هي.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135647\/supercharged-scams-ai-artificial-intelligence\/",
            "title_en": "Supercharged scams",
            "summary_en": "When ChatGPT was released to the public in late 2022, it opened people’s eyes to how easily generative AI could churn out vast amounts of human-seeming text from simple prompts. This quickly caught the attention of criminals, who soon began using large language models to produce malicious emails —both the untargeted spam kind and more sophisticated, targeted attacks designed to steal money and sensitive information. Since then, cybercriminals have adopted AI tools to supercharge their operations . They’ve used the technology to do everything from composing phishing emails and creating hyperrealistic, convincing deepfake clips to tweaking malicious software (commonly known as malware) so it is harder to detect. They can also use AI to automate the search for vulnerabilities in networks and ",
            "body_en": "When ChatGPT was released to the public in late 2022, it opened people’s eyes to how easily generative AI could churn out vast amounts of human-seeming text from simple prompts. This quickly caught the attention of criminals, who soon began using large language models to produce malicious emails —both the untargeted spam kind and more sophisticated, targeted attacks designed to steal money and sensitive information. Since then, cybercriminals have adopted AI tools to supercharge their operations . They’ve used the technology to do everything from composing phishing emails and creating hyperrealistic, convincing deepfake clips to tweaking malicious software (commonly known as malware) so it is harder to detect. They can also use AI to automate the search for vulnerabilities in networks and computer systems , quickly generate ransom notes, and analyze vast swathes of stolen data to pinpoint what’s most valuable. AI’s impact on hacking itself is not so clear-cut. But we do know that AI is lowering the barriers for would-be attackers, providing them with an ever-evolving arsenal of new capabilities, and making it faster, cheaper, and easier than ever before for them to try to infiltrate their targets. For example, scam centers across Southeast Asia are embracing inexpensive AI tools to quickly target greater numbers of potential victims and to swiftly switch to new locations, Interpol has warned. Similarly, the United Arab Emirates recently claimed to have foiled a series of shadowy AI-backed attacks on its vital sectors. And because these spammy, scattergun attacks can be pumped out at a colossal scale, they don’t need to be very sophisticated to have the desired effect—just lucky enough to get into a machine that happens to be undefended, or into the inbox of an unsuspecting victim at the right time. Many organizations are already struggling to cope with the sheer volume of cyberattacks targeting them. The problem is likely to get significantly worse as increasing numbers of criminals try their luck, and as the capabilities of publicly available generative AI systems continue to improve. Earlier this month, AI company Anthropic claimed that Mythos, a model it’s developed and is now testing, found thousands of critical vulnerabilities, including some in every major operating system and web browser. Anthropic says all of them have been patched, but it’s delaying the model’s release as a result of these new capabilities and set up a consortium of tech companies called Project Glasswing that it says will try to put these capabilities to work for defensive purposes in the meantime. Right now, cybersecurity researchers are optimistic that sloppier attacks can be thwarted through basic defenses, highlighting just how important it is to keep on top of software updates and stick to network security protocols. How well positioned we’ll be to ward off more sophisticated attacks in the future is much less clear. The good news is that AI is also being used to defend. Each day, Microsoft—just one of the many businesses keeping tabs on such threats—processes more than 100 trillion signals flagged by its AI systems as potentially malicious or suspicious. The company says that between April 2024 and April 2025, it managed to block $4 billion worth of scams and fraudulent transactions, many of which may have been aided by AI content. The same technology that makes such attacks possible could also be our best bet at keeping us safe in years to come.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/superchargedC-thumb.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135647\/supercharged-scams-ai-artificial-intelligence\/",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "عمليات الاحتيال الفائقة",
            "summary_ar": "عندما تم إصدار ChatGPT للجمهور في أواخر عام 2022، فتح أعين الناس على مدى سهولة قدرة الذكاء الاصطناعي التوليدي على إنتاج كميات هائلة من النصوص التي تبدو بشرية من خلال مطالبات بسيطة. وسرعان ما لفت هذا انتباه المجرمين، الذين سرعان ما بدأوا في استخدام نماذج لغوية كبيرة لإنتاج رسائل بريد إلكتروني ضارة - سواء من نوع البريد العشوائي غير المستهدف أو الهجمات الموجهة الأكثر تعقيدًا والمصممة لسرقة الأموال والمعلومات الحساسة. ومنذ ذلك الحين، اعتمد مجرمو الإنترنت أدوات الذكاء الاصطناعي لتعزيز عملياتهم. لقد استخدموا التكنولوجيا للقيام بكل شيء بدءًا من إنشاء رسائل البريد الإلكتروني التصيدية وإنشاء مقاطع مزيفة واقعية للغاية ومقنعة وحتى تعديل البرامج الضارة (المعروفة باسم البرامج الضارة) بحيث يصعب اكتشافها. يمكنهم أيضًا استخدام الذكاء الاصطناعي لأتمتة البحث عن نقاط الضعف في الشبكات و",
            "body_ar": "عندما تم إصدار ChatGPT للجمهور في أواخر عام 2022، فتح أعين الناس على مدى سهولة قدرة الذكاء الاصطناعي التوليدي على إنتاج كميات هائلة من النصوص التي تبدو بشرية من خلال مطالبات بسيطة. وسرعان ما لفت هذا انتباه المجرمين، الذين سرعان ما بدأوا في استخدام نماذج لغوية كبيرة لإنتاج رسائل بريد إلكتروني ضارة - سواء من نوع البريد العشوائي غير المستهدف أو الهجمات الموجهة الأكثر تعقيدًا والمصممة لسرقة الأموال والمعلومات الحساسة. ومنذ ذلك الحين، اعتمد مجرمو الإنترنت أدوات الذكاء الاصطناعي لتعزيز عملياتهم. لقد استخدموا التكنولوجيا للقيام بكل شيء بدءًا من إنشاء رسائل البريد الإلكتروني التصيدية وإنشاء مقاطع مزيفة واقعية للغاية ومقنعة وحتى تعديل البرامج الضارة (المعروفة باسم البرامج الضارة) بحيث يصعب اكتشافها. يمكنهم أيضًا استخدام الذكاء الاصطناعي لأتمتة البحث عن نقاط الضعف في الشبكات وأنظمة الكمبيوتر، وإنشاء ملاحظات فدية بسرعة، وتحليل مساحات شاسعة من البيانات المسروقة لتحديد ما هو الأكثر قيمة. إن تأثير الذكاء الاصطناعي على القرصنة بحد ذاته ليس واضحًا تمامًا. لكننا نعلم أن الذكاء الاصطناعي يعمل على خفض الحواجز أمام المهاجمين المحتملين، ويزودهم بترسانة دائمة التطور من القدرات الجديدة، ويجعل محاولة التسلل إلى أهدافهم أسرع وأرخص وأسهل من أي وقت مضى. على سبيل المثال، حذر الإنتربول من أن مراكز الاحتيال في جميع أنحاء جنوب شرق آسيا تتبنى أدوات ذكاء اصطناعي غير مكلفة لاستهداف أعداد أكبر من الضحايا المحتملين بسرعة والتحول بسرعة إلى مواقع جديدة. وعلى نحو مماثل، ادعت دولة الإمارات العربية المتحدة مؤخراً أنها أحبطت سلسلة من الهجمات الغامضة المدعومة بالذكاء الاصطناعي على قطاعاتها الحيوية. ولأن هذه الهجمات العشوائية والمتناثرة يمكن ضخها على نطاق هائل، فهي لا تحتاج إلى أن تكون معقدة للغاية للحصول على التأثير المطلوب - فقط محظوظ بما يكفي للوصول إلى آلة تصادف أنها غير محمية، أو إلى البريد الوارد لضحية مطمئنة في الوقت المناسب. تكافح العديد من المنظمات بالفعل للتعامل مع الحجم الهائل للهجمات الإلكترونية التي تستهدفها. ومن المرجح أن تتفاقم المشكلة بشكل ملحوظ مع تزايد أعداد المجرمين الذين يجربون حظهم، ومع استمرار تحسن قدرات أنظمة الذكاء الاصطناعي التوليدية المتاحة للجمهور. في وقت سابق من هذا الشهر، ادعت شركة Anthropic للذكاء الاصطناعي أن Mythos، النموذج الذي طورته وتختبره الآن، وجد الآلاف من نقاط الضعف الحرجة، بما في ذلك بعض نقاط الضعف في كل نظام تشغيل ومتصفح ويب رئيسي. تقول شركة Anthropic أنه تم تصحيحها جميعًا، لكنها تؤخر إصدار النموذج نتيجة لهذه الإمكانات الجديدة وأنشأت اتحادًا من شركات التكنولوجيا يسمى Project Glasswing والذي تقول إنه سيحاول تشغيل هذه القدرات لأغراض دفاعية في هذه الأثناء. في الوقت الحالي، يشعر الباحثون في مجال الأمن السيبراني بالتفاؤل بإمكانية إحباط الهجمات غير المتقنة من خلال الدفاعات الأساسية، مما يسلط الضوء على مدى أهمية متابعة تحديثات البرامج والالتزام ببروتوكولات أمان الشبكة. إن مدى قدرتنا على درء الهجمات الأكثر تعقيدًا في المستقبل هو أمر أقل وضوحًا. والخبر السار هو أن الذكاء الاصطناعي يُستخدم أيضًا للدفاع. في كل يوم، تقوم مايكروسوفت - وهي واحدة فقط من الشركات العديدة التي تراقب مثل هذه التهديدات - بمعالجة أكثر من 100 تريليون إشارة تم تصنيفها بواسطة أنظمة الذكاء الاصطناعي الخاصة بها على أنها قد تكون ضارة أو مشبوهة. وتقول الشركة إنها تمكنت في الفترة ما بين أبريل 2024 وأبريل 2025، من حظر عمليات احتيال ومعاملات احتيالية بقيمة 4 مليارات دولار، والتي ربما كان الكثير منها مدعومًا بمحتوى الذكاء الاصطناعي. نفس التكنولوجيا التي تجعل مثل هذه الهجمات ممكنة يمكن أن تكون أيضًا أفضل رهان لدينا في الحفاظ على سلامتنا لسنوات قادمة يأتي.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135650\/world-models-ai-artificial-intelligence\/",
            "title_en": "World models",
            "summary_en": "AI systems have already gained impressive mastery over the digital world, but the physical world is still humanity’s domain. As it turns out, building an AI system that can compose a novel or code an app is far easier than developing one that can fold laundry or navigate a city street. To get there, many researchers believe, you need something called a world model. World models are not a new idea, but recent developments from Google DeepMind and Stanford professor Fei-Fei Li’s World Labs, as well as Yann LeCun’s splashy departure from Meta to form a world-model-focused startup, have brought them to the forefront of the AI discussion. OpenAI, too, is getting in on the action by reallocating resources from the shuttered Sora video app to “longer-term world simulation research.” Proponents li",
            "body_en": "AI systems have already gained impressive mastery over the digital world, but the physical world is still humanity’s domain. As it turns out, building an AI system that can compose a novel or code an app is far easier than developing one that can fold laundry or navigate a city street. To get there, many researchers believe, you need something called a world model. World models are not a new idea, but recent developments from Google DeepMind and Stanford professor Fei-Fei Li’s World Labs, as well as Yann LeCun’s splashy departure from Meta to form a world-model-focused startup, have brought them to the forefront of the AI discussion. OpenAI, too, is getting in on the action by reallocating resources from the shuttered Sora video app to “longer-term world simulation research.” Proponents like Li and LeCun argue that world models will allow researchers to overcome the well-known limitations of LLMs and realize AI’s promise for robotics. Definitions of the term “world model” vary, but they all center on the ways in which intelligent systems represent the external world. Some scientists would say that humans use our own mental world models to navigate our surroundings and guide our actions; somehow, our brains simulate our environments with enough fidelity to let us effectively predict what we will observe if we push a mug off the edge of a table or tell a friend our honest opinion, and those predictions help us decide what to do. LLMs might seem to do a good job of this already—they can certainly tell you what will happen if you knock a mug off a table. But research suggests that their “understanding” of the world is brittle. One study found that language models trained on a database of simulated New York City taxi trips can provide effective directions for how to navigate from one point in Manhattan to another—unless the model is forced to take occasional detours, in which case it fails completely. This result and others suggest that AI systems with a world model—in this case, an accurate mental map of New York City—could be far more robust and reliable than the flaky LLMs to which we have grown accustomed. Many researchers think that world models will prove essential to the future of robotics. Li, the World Labs founder, has written about how they could facilitate the development of robots that explore the deep sea and assist health-care providers, but for now, the applications are more modest. The makers of Pokémon Go, for instance, are using billions of images collected by the game’s players to build the first pieces of a world model that, they hope, could help guide delivery robots . Google DeepMind and World Labs are currently focusing their efforts on building models that can generate interactive, 3D virtual environments from a combination of text, images, and in the case of World Labs, video prompts. Such tools could be used to streamline the design of video games and immersive VR experiences, but compared with large language models, they seem to have a limited range of applications. The real breakthroughs are likely to come from integrating such systems into flexible, intelligent agents that can represent their environments, predict the consequences of their actions, and then decide what to do.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/world-models2C-thumb.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135650\/world-models-ai-artificial-intelligence\/",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "نماذج عالمية",
            "summary_ar": "لقد اكتسبت أنظمة الذكاء الاصطناعي بالفعل سيطرة مثيرة للإعجاب على العالم الرقمي، لكن العالم المادي لا يزال مجالًا للبشرية. كما اتضح، فإن بناء نظام ذكاء اصطناعي يمكنه تأليف رواية أو ترميز تطبيق هو أسهل بكثير من تطوير نظام يمكنه طي الغسيل أو التنقل في أحد شوارع المدينة. للوصول إلى هناك، يعتقد العديد من الباحثين، أنك بحاجة إلى شيء يسمى النموذج العالمي. النماذج العالمية ليست فكرة جديدة، لكن التطورات الأخيرة من Google DeepMind والمختبرات العالمية للأستاذ في جامعة ستانفورد Fei-Fei Li، بالإضافة إلى رحيل Yann LeCun الرائع من Meta لتشكيل شركة ناشئة تركز على النماذج العالمية، جعلتهم في صدارة مناقشة الذكاء الاصطناعي. وتشارك شركة OpenAI أيضًا في هذا الحدث من خلال إعادة تخصيص الموارد من تطبيق الفيديو Sora المغلق إلى \"أبحاث محاكاة العالم طويلة المدى\". المؤيدون لى",
            "body_ar": "لقد اكتسبت أنظمة الذكاء الاصطناعي بالفعل سيطرة مثيرة للإعجاب على العالم الرقمي، لكن العالم المادي لا يزال مجالًا للبشرية. كما اتضح، فإن بناء نظام ذكاء اصطناعي يمكنه تأليف رواية أو ترميز تطبيق هو أسهل بكثير من تطوير نظام يمكنه طي الغسيل أو التنقل في أحد شوارع المدينة. للوصول إلى هناك، يعتقد العديد من الباحثين، أنك بحاجة إلى شيء يسمى النموذج العالمي. النماذج العالمية ليست فكرة جديدة، لكن التطورات الأخيرة من Google DeepMind والمختبرات العالمية للأستاذ في جامعة ستانفورد Fei-Fei Li، بالإضافة إلى رحيل Yann LeCun الرائع من Meta لتشكيل شركة ناشئة تركز على النماذج العالمية، جعلتهم في صدارة مناقشة الذكاء الاصطناعي. وتشارك شركة OpenAI أيضًا في هذا الحدث من خلال إعادة تخصيص الموارد من تطبيق الفيديو Sora المغلق إلى \"أبحاث محاكاة العالم طويلة المدى\". يزعم المؤيدون مثل لي وليكون أن النماذج العالمية ستسمح للباحثين بالتغلب على القيود المعروفة للماجستير في القانون وتحقيق وعد الذكاء الاصطناعي في مجال الروبوتات. تختلف تعريفات مصطلح \"النموذج العالمي\"، لكنها جميعًا تركز على الطرق التي تمثل بها الأنظمة الذكية العالم الخارجي. قد يقول بعض العلماء أن البشر يستخدمون نماذج العالم العقلي الخاصة بنا للتنقل في محيطنا وتوجيه أفعالنا؛ بطريقة ما، تحاكي أدمغتنا بيئاتنا بدقة كافية للسماح لنا بالتنبؤ بشكل فعال بما سنلاحظه إذا دفعنا كوبًا من حافة الطاولة أو أخبرنا صديقًا برأينا الصادق، وتساعدنا هذه التنبؤات في تحديد ما يجب فعله. قد يبدو أن حاملي شهادة الماجستير في القانون يقومون بعمل جيد في هذا الأمر بالفعل - يمكنهم بالتأكيد إخبارك بما سيحدث إذا أسقطت قدحًا من على الطاولة. لكن الأبحاث تشير إلى أن \"فهمهم\" للعالم هش. وجدت إحدى الدراسات أن النماذج اللغوية التي تم تدريبها على قاعدة بيانات لمحاكاة رحلات سيارات الأجرة في مدينة نيويورك يمكن أن توفر توجيهات فعالة لكيفية التنقل من نقطة في مانهاتن إلى أخرى، ما لم يضطر النموذج إلى اتخاذ تحويلات عرضية، وفي هذه الحالة يفشل تمامًا. تشير هذه النتيجة وغيرها إلى أن أنظمة الذكاء الاصطناعي ذات النموذج العالمي - في هذه الحالة، خريطة ذهنية دقيقة لمدينة نيويورك - يمكن أن تكون أكثر قوة وموثوقية بكثير من ماجستير إدارة الأعمال غير المستقر الذي اعتدنا عليه. يعتقد العديد من الباحثين أن النماذج العالمية ستكون ضرورية لمستقبل الروبوتات. كتب لي، مؤسس World Labs، عن كيفية تسهيل تطوير الروبوتات التي تستكشف أعماق البحار وتساعد مقدمي الرعاية الصحية، لكن التطبيقات في الوقت الحالي أكثر تواضعًا. على سبيل المثال، يستخدم صانعو لعبة Pokémon Go مليارات الصور التي جمعها لاعبو اللعبة لبناء الأجزاء الأولى من النموذج العالمي الذي يأملون أن يساعد في توجيه روبوتات التوصيل. يركز Google DeepMind وWorld Labs حاليًا جهودهما على بناء نماذج يمكنها إنشاء بيئات افتراضية تفاعلية ثلاثية الأبعاد من مجموعة من النصوص والصور، وفي حالة World Labs، مطالبات الفيديو. يمكن استخدام مثل هذه الأدوات لتبسيط تصميم ألعاب الفيديو وتجارب الواقع الافتراضي الغامرة، ولكن بالمقارنة مع نماذج اللغات الكبيرة، يبدو أن لديها نطاقًا محدودًا من التطبيقات. ومن المرجح أن تأتي الإنجازات الحقيقية من دمج مثل هذه الأنظمة في عوامل مرنة وذكية يمكنها تمثيل بيئاتها، والتنبؤ بعواقب أفعالها، ثم اتخاذ قرار بشأن ما يجب فعله. يفعل.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135652\/weaponized-deepfakes-ai-artificial-intelligence\/",
            "title_en": "Weaponized deepfakes",
            "summary_en": "For years, experts have warned that deepfakes—AI-generated videos, images, or audio recordings of people doing or saying things they haven’t actually done in real life—could be deployed in malicious ways. These dangers are now here. Improvements in deepfake technology, and the widespread availability of easy-to-use and cheap (or free) generative models, have made it easier than ever for anyone to fake reality in a way that’s increasingly difficult to spot. We’re not just talking about AI slop , the often obviously fake content that has taken over the internet. Rather, weaponized deepfakes—from sexually explicit images to scam posts to political propaganda—may look startlingly real. There are already examples around the world of their inciting violence , trying to change minds (and maybe ev",
            "body_en": "For years, experts have warned that deepfakes—AI-generated videos, images, or audio recordings of people doing or saying things they haven’t actually done in real life—could be deployed in malicious ways. These dangers are now here. Improvements in deepfake technology, and the widespread availability of easy-to-use and cheap (or free) generative models, have made it easier than ever for anyone to fake reality in a way that’s increasingly difficult to spot. We’re not just talking about AI slop , the often obviously fake content that has taken over the internet. Rather, weaponized deepfakes—from sexually explicit images to scam posts to political propaganda—may look startlingly real. There are already examples around the world of their inciting violence , trying to change minds (and maybe even votes ), and generally sowing mistrust . That’s why experts worry that weaponized deepfakes will further crater critical thinking skills, as well as our trust in institutions and each other. This has dire effects for society and governance—and, of course, for the people targeted. As with many other examples of technology’s harms, the human impacts will weigh disproportionately on women and marginalized groups; though the technology has evolved in the past few years, a 2023 study found that 98% of deepfakes were pornographic in nature, and 99% depicted women. Just take Grok. Since Elon Musk launched the “edit image” function of this AI chatbot late last year, users have created millions of sexualized images, including many of children and women; one report estimated that 81% of these Grok-produced images depicted women. Despite widespread criticism, xAI’s initial response was to limit the feature to paying members; it has since blocked the nudity feature in jurisdictions where it is illegal. There’s also been an explosion of political deepfakes. The Trump administration, for example, has regularly produced and shared AI-generated images and videos. Not all of them are even meant to look real, but others appear to be designed to sway public opinion and even humiliate the person depicted. In January, meanwhile, Texas attorney general Ken Paxton shared a video appearing to show his opponent in the Republican primary for a US Senate seat, Senator John Cornyn, dancing with Representative Jasmine Crockett, a contender for the Democratic nomination. But this never happened—a fact the ad did not disclose clearly. Suggested solutions include instituting new technical safeguards and detection methods at the big AI firms, encouraging users to take more protective actions, and crafting new legislation or applying existing regulatory frameworks, like copyright law, to the issue. But these all have limits. Technical solutions can be bypassed; for instance, bad actors can simply switch to open-source models built without safeguards. Getting people to change how they behave, such as by watermarking photos or posting less personal information online, is simply unrealistic. Stronger regulations require enforcement—and while President Trump has signed legislation that criminalizes deepfake porn, his administration continues to post other types of harmful deepfakes. In late January, for instance, the White House shared an altered image of a Minneapolis civil rights lawyer, darkening her skin and changing her facial expression from one of calm to exaggerated crying. The problem could get much worse—and soon. There are high-stakes midterm elections in the United States later this year, and the federal agencies that traditionally addressed elections-related information integrity have been weakened. So have many outside research groups dedicated to fact-checking and fighting election-related disinformation.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/weaponizedC-thumb.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135652\/weaponized-deepfakes-ai-artificial-intelligence\/",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "التزييف العميق المسلح",
            "summary_ar": "لسنوات، حذر الخبراء من أن التزييف العميق - مقاطع الفيديو أو الصور أو التسجيلات الصوتية التي يتم إنشاؤها بواسطة الذكاء الاصطناعي لأشخاص يفعلون أو يقولون أشياء لم يفعلوها فعليًا في الحياة الواقعية - يمكن نشرها بطرق ضارة. هذه المخاطر موجودة الآن. إن التحسينات في تكنولوجيا التزييف العميق، والتوافر الواسع النطاق للنماذج التوليدية سهلة الاستخدام ورخيصة (أو مجانية)، جعلت من السهل على أي شخص تزييف الواقع بطريقة يصعب اكتشافها بشكل متزايد. نحن لا نتحدث فقط عن الذكاء الاصطناعي، وهو المحتوى المزيف الذي غالبًا ما يكون واضحًا والذي سيطر على الإنترنت. وبدلاً من ذلك، قد تبدو التزييفات العميقة المستخدمة كسلاح - بدءًا من الصور الجنسية الصريحة إلى المنشورات الاحتيالية إلى الدعاية السياسية - حقيقية بشكل مذهل. هناك بالفعل أمثلة حول العالم على تحريضهم على العنف، ومحاولة تغيير الأفكار (وربما إيف",
            "body_ar": "لسنوات، حذر الخبراء من أن التزييف العميق - مقاطع الفيديو أو الصور أو التسجيلات الصوتية التي يتم إنشاؤها بواسطة الذكاء الاصطناعي لأشخاص يفعلون أو يقولون أشياء لم يفعلوها فعليًا في الحياة الواقعية - يمكن نشرها بطرق ضارة. هذه المخاطر موجودة الآن. إن التحسينات في تكنولوجيا التزييف العميق، والتوافر الواسع النطاق للنماذج التوليدية سهلة الاستخدام ورخيصة (أو مجانية)، جعلت من السهل على أي شخص تزييف الواقع بطريقة يصعب اكتشافها بشكل متزايد. نحن لا نتحدث فقط عن الذكاء الاصطناعي، وهو المحتوى المزيف الذي غالبًا ما يكون واضحًا والذي سيطر على الإنترنت. وبدلاً من ذلك، قد تبدو التزييفات العميقة المستخدمة كسلاح - بدءًا من الصور الجنسية الصريحة إلى المنشورات الاحتيالية إلى الدعاية السياسية - حقيقية بشكل مذهل. وهناك بالفعل أمثلة في مختلف أنحاء العالم على تحريضهم على العنف، ومحاولة تغيير الآراء (وربما حتى التصويت)، وزرع بذور عدم الثقة عموماً. ولهذا السبب يشعر الخبراء بالقلق من أن استخدام التزييف العميق كسلاح سيؤدي إلى تدهور مهارات التفكير النقدي، فضلاً عن ثقتنا في المؤسسات وفي بعضنا البعض. وهذا له آثار وخيمة على المجتمع والحكم، وبالطبع على الأشخاص المستهدفين. وكما هو الحال مع العديد من الأمثلة الأخرى على أضرار التكنولوجيا، فإن التأثيرات البشرية ستؤثر بشكل غير متناسب على النساء والفئات المهمشة؛ وعلى الرغم من تطور التكنولوجيا في السنوات القليلة الماضية، وجدت دراسة أجريت عام 2023 أن 98% من التزييف العميق كانت إباحية بطبيعتها، و99% منها تصور نساء. فقط خذ جروك. منذ أن أطلق إيلون موسك وظيفة \"تحرير الصورة\" في برنامج الدردشة الآلي هذا في أواخر العام الماضي، أنشأ المستخدمون ملايين الصور ذات الطابع الجنسي، بما في ذلك العديد من الأطفال والنساء؛ قدر أحد التقارير أن 81٪ من هذه الصور التي أنتجتها شركة جروك تصور نساء. على الرغم من الانتقادات واسعة النطاق، كان الرد الأولي لشركة xAI هو قصر الميزة على الأعضاء الذين يدفعون رسومًا؛ ومنذ ذلك الحين، قامت بحظر ميزة العري في الولايات القضائية التي يكون فيها ذلك غير قانوني. كان هناك أيضًا انفجار في التزييف السياسي العميق. على سبيل المثال، أنتجت إدارة ترامب وشاركت بشكل منتظم الصور ومقاطع الفيديو التي تم إنشاؤها بواسطة الذكاء الاصطناعي. لم يكن المقصود من كل هذه الصور أن تبدو حقيقية، ولكن يبدو أن البعض الآخر مصمم للتأثير على الرأي العام وحتى إذلال الشخص المصور. في هذه الأثناء، في يناير\/كانون الثاني، نشر المدعي العام في ولاية تكساس، كين باكستون، مقطع فيديو يظهر خصمه في الانتخابات التمهيدية للحزب الجمهوري على مقعد في مجلس الشيوخ الأمريكي، السيناتور جون كورنين، وهو يرقص مع النائبة ياسمين كروكيت، المتنافسة على ترشيح الحزب الديمقراطي. لكن هذا لم يحدث قط، وهي حقيقة لم يكشف عنها الإعلان بوضوح. وتشمل الحلول المقترحة إنشاء ضمانات تقنية جديدة وطرق الكشف في شركات الذكاء الاصطناعي الكبرى، وتشجيع المستخدمين على اتخاذ المزيد من إجراءات الحماية، وصياغة تشريعات جديدة أو تطبيق الأطر التنظيمية القائمة، مثل قانون حقوق النشر، على هذه القضية. لكن هذه كلها لها حدود. يمكن تجاوز الحلول التقنية؛ على سبيل المثال، يمكن للجهات الفاعلة السيئة أن تتحول ببساطة إلى نماذج مفتوحة المصدر مبنية دون ضمانات. إن إقناع الناس بتغيير سلوكهم، مثل وضع علامة مائية على الصور أو نشر معلومات شخصية أقل على الإنترنت، هو ببساطة أمر غير واقعي. تتطلب اللوائح الأقوى التنفيذ - وبينما وقع الرئيس ترامب على تشريع يجرم الإباحية العميقة، تواصل إدارته نشر أنواع أخرى من التزييف العميق الضار. في أواخر يناير\/كانون الثاني، على سبيل المثال، نشر البيت الأبيض صورة معدلة لمحامية الحقوق المدنية في مينيابوليس، حيث أغمق لون بشرتها وتغير تعبير وجهها من الهدوء إلى البكاء المبالغ فيه. وقد تتفاقم المشكلة كثيرًا، وقريبًا. هناك انتخابات منتصف المدة عالية المخاطر في الولايات المتحدة في وقت لاحق من هذا العام، وقد تم إضعاف الوكالات الفيدرالية التي كانت تتعامل تقليديا مع سلامة المعلومات المتعلقة بالانتخابات. وكذلك فعلت العديد من مجموعات البحث الخارجية المخصصة للتحقق من الحقائق ومكافحة ما يتعلق بالانتخابات معلومات مضللة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135654\/agent-orchestration-ai-artificial-intelligence\/",
            "title_en": "Agent orchestration",
            "summary_en": "When people say AI will speed up drug development or fear that it will bring about mass layoffs, what they have in mind—whether they know it or not—are AI agents. ChatGPT made large language models a mass consumer product. But to change the world, AI needs to do more than just talk back: It needs to do stuff. And that’s where agents come in. Now, after much hype, the first bona fide multi-agent tools are starting to show their colors. OpenClaw—a personal AI assistant that you could talk to from your phone—got everyone’s attention. Beneath the buzz, OpenClaw had a limited set of tricks —and a saboteur’s approach to security . But it felt like the future. And so companies from Nvidia to Tencent have been quick to build their own safer, more reliable bots on top of OpenClaw’s open-source code",
            "body_en": "When people say AI will speed up drug development or fear that it will bring about mass layoffs, what they have in mind—whether they know it or not—are AI agents. ChatGPT made large language models a mass consumer product. But to change the world, AI needs to do more than just talk back: It needs to do stuff. And that’s where agents come in. Now, after much hype, the first bona fide multi-agent tools are starting to show their colors. OpenClaw—a personal AI assistant that you could talk to from your phone—got everyone’s attention. Beneath the buzz, OpenClaw had a limited set of tricks —and a saboteur’s approach to security . But it felt like the future. And so companies from Nvidia to Tencent have been quick to build their own safer, more reliable bots on top of OpenClaw’s open-source code. But the real power of agents comes when they can work as a team. Instead of lone-wolf bots carrying out single tasks, such as using a browser to make a restaurant reservation or sending you a summary of your inbox, new tools can yoke together multiple agents, give each of them a different job, and orchestrate their behaviors so that they all pull together to complete more complex tasks than an individual agent could do by itself. For example, Claude Code, released by Anthropic last year, lets you launch and coordinate several coding agents at once (some users have reported having as many as a couple of dozen subagents on the go), with different agents working on different parts of the code base at the same time. Agents can also be given specific roles: One writes code, another tests it, a third fixes bugs, and so on. Such tools promise to turn coders into project managers, letting them delegate and oversee many more tasks than they could cope with by themselves. But coding was just the start. The latest multi-agent tools are aimed at people who don’t need or don’t want to develop software. Desktop apps such as Anthropic’s Claude Cowork (which the firm claims to have built using Claude Code in just 10 days, instead of the several months such a project might otherwise have taken), OpenAI’s Codex, and Perplexity’s Computer are all pitched as general-purpose productivity tools for white-collar professionals. They let you hand off bespoke workflows to teams of agents that coordinate across a wide range of computer-based office tasks, from managing inboxes and inventory to handling customer complaints. And it’s not just office work. Multi-agent tools like Google DeepMind’s Co-Scientist let researchers use teams of AI agents to coordinate literature searches, generate and test hypotheses, design experiments, and more. Think of multi-agent systems as the new assembly lines. Henry Ford’s innovation upended entire industries last century. In theory, networks of AI agents could do to white-collar knowledge work what assembly lines did to manufacturing. That’s the vision, at least. Because this technology also comes with huge risks. It’s no secret that LLMs can be unpredictable. That’s an annoyance when chatbots are stuck inside their screen. When they start interacting more with the real world, it could be disastrous. Are we ready for agents to be let loose on our ubiquitous digital infrastructure, from health care to finance, social media to missile launchers?",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/orchestrationC-thumb.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135654\/agent-orchestration-ai-artificial-intelligence\/",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تنسيق الوكيل",
            "summary_ar": "عندما يقول الناس إن الذكاء الاصطناعي سوف يسرع عملية تطوير الأدوية أو يخشون أنه سيؤدي إلى تسريح أعداد كبيرة من العمال، فإن ما يدور في أذهانهم - سواء كانوا يعرفون ذلك أم لا - هم عملاء الذكاء الاصطناعي. جعل ChatGPT النماذج اللغوية الكبيرة منتجًا استهلاكيًا ضخمًا. ولكن لتغيير العالم، يحتاج الذكاء الاصطناعي إلى القيام بأكثر من مجرد الرد: فهو يحتاج إلى القيام بالأشياء. وهنا يأتي دور الوكلاء. الآن، وبعد الكثير من الضجيج، بدأت الأدوات المتعددة الوكلاء الحقيقية الأولى في إظهار ألوانها. لقد لفت OpenClaw، وهو مساعد شخصي يعمل بالذكاء الاصطناعي يمكنك التحدث إليه من هاتفك، انتباه الجميع. في ظل هذه الضجة، كان لدى OpenClaw مجموعة محدودة من الحيل - ونهج تخريبي فيما يتعلق بالأمن. لكنها شعرت بالمستقبل. ولذلك سارعت الشركات من Nvidia إلى Tencent إلى بناء روبوتاتها الأكثر أمانًا وموثوقية بالإضافة إلى OpenClaw مفتوح المصدر. شفرة",
            "body_ar": "عندما يقول الناس إن الذكاء الاصطناعي سوف يسرع عملية تطوير الأدوية أو يخشون أنه سيؤدي إلى تسريح أعداد كبيرة من العمال، فإن ما يدور في أذهانهم - سواء كانوا يعرفون ذلك أم لا - هم عملاء الذكاء الاصطناعي. جعل ChatGPT النماذج اللغوية الكبيرة منتجًا استهلاكيًا ضخمًا. ولكن لتغيير العالم، يحتاج الذكاء الاصطناعي إلى القيام بأكثر من مجرد الرد: فهو يحتاج إلى القيام بالأشياء. وهنا يأتي دور الوكلاء. الآن، وبعد الكثير من الضجيج، بدأت الأدوات المتعددة الوكلاء الحقيقية الأولى في إظهار ألوانها. لقد لفت OpenClaw، وهو مساعد شخصي يعمل بالذكاء الاصطناعي يمكنك التحدث إليه من هاتفك، انتباه الجميع. في ظل هذه الضجة، كان لدى OpenClaw مجموعة محدودة من الحيل - ونهج تخريبي فيما يتعلق بالأمن. لكنها شعرت بالمستقبل. ولذلك سارعت الشركات، من Nvidia إلى Tencent، إلى إنشاء روبوتات خاصة بها أكثر أمانًا وموثوقية، بالإضافة إلى كود OpenClaw مفتوح المصدر. لكن القوة الحقيقية للوكلاء تأتي عندما يمكنهم العمل كفريق واحد. بدلاً من الروبوتات المنفردة التي تنفذ مهام فردية، مثل استخدام المتصفح لإجراء حجز في مطعم أو إرسال ملخص لصندوق الوارد الخاص بك، يمكن للأدوات الجديدة جمع عدة وكلاء معًا، ومنح كل منهم وظيفة مختلفة، وتنسيق سلوكياتهم بحيث يجتمعون جميعًا معًا لإكمال مهام أكثر تعقيدًا مما يمكن أن يقوم به وكيل فردي بمفرده. على سبيل المثال، يتيح لك Claude Code، الذي أصدرته Anthropic العام الماضي، إطلاق وتنسيق العديد من وكلاء التشفير في وقت واحد (أفاد بعض المستخدمين بوجود ما يصل إلى بضع عشرات من الوكلاء الفرعيين أثناء التنقل)، مع وكلاء مختلفين يعملون على أجزاء مختلفة من قاعدة التعليمات البرمجية في نفس الوقت. يمكن أيضًا إعطاء الوكلاء أدوارًا محددة: أحدهم يكتب التعليمات البرمجية، والآخر يختبرها، والثالث يصلح الأخطاء، وما إلى ذلك. تعد مثل هذه الأدوات بتحويل المبرمجين إلى مديري مشاريع، مما يسمح لهم بتفويض العديد من المهام والإشراف عليها أكثر مما يمكنهم التعامل معه بمفردهم. لكن البرمجة كانت مجرد البداية. تستهدف أحدث الأدوات متعددة الوكلاء الأشخاص الذين لا يحتاجون أو لا يرغبون في تطوير البرامج. تطبيقات سطح المكتب مثل Anthropic’s Claude Cowork (التي تدعي الشركة أنها أنشأتها باستخدام Claude Code في 10 أيام فقط، بدلاً من عدة أشهر كان من الممكن أن يستغرقها مثل هذا المشروع)، وOpenAI’s Codex، وPerplexity’s Computer، كلها أدوات إنتاجية للأغراض العامة للمحترفين ذوي الياقات البيضاء. فهي تتيح لك تسليم مهام سير العمل المخصصة إلى فرق من الوكلاء الذين يقومون بالتنسيق عبر مجموعة واسعة من المهام المكتبية المستندة إلى الكمبيوتر، بدءًا من إدارة صناديق البريد الوارد والمخزون وحتى التعامل مع شكاوى العملاء. وهذا ليس مجرد عمل مكتبي. تتيح الأدوات متعددة الوكلاء مثل Google DeepMind's Co-Scientist للباحثين استخدام فرق من وكلاء الذكاء الاصطناعي لتنسيق عمليات البحث في الأدبيات وإنشاء الفرضيات واختبارها وتصميم التجارب والمزيد. فكر في الأنظمة متعددة الوكلاء باعتبارها خطوط التجميع الجديدة. لقد قلب ابتكار هنري فورد صناعات بأكملها رأساً على عقب في القرن الماضي. من الناحية النظرية، يمكن لشبكات عملاء الذكاء الاصطناعي أن تفعل ما تفعله خطوط التجميع في مجال التصنيع. هذه هي الرؤية على الأقل. لأن هذه التكنولوجيا تأتي أيضًا بمخاطر كبيرة. ليس سراً أن LLMs لا يمكن التنبؤ بها. وهذا أمر مزعج عندما تكون برامج الدردشة عالقة داخل شاشتها. عندما يبدأون في التفاعل بشكل أكبر مع العالم الحقيقي، قد يكون الأمر كارثيًا. هل نحن مستعدون للسماح للعملاء بالتحرر من بنيتنا التحتية الرقمية المنتشرة في كل مكان، من الرعاية الصحية إلى التمويل، ومن وسائل التواصل الاجتماعي إلى الصواريخ؟ قاذفات؟",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135656\/humanoid-data-robot-training-ai-artificial-intelligence\/",
            "title_en": "Humanoid data",
            "summary_en": "I was recently invited to join an app that would pay me cryptocurrency to film myself doing tasks like putting food into a bowl, microwaving it, and then taking it out. Another website suggested I try a new game in which I’d remotely control a robotic arm in Shenzhen, China, as it completed puzzles and tasks, to help improve the robot’s dexterity. What on earth is happening? Well, just as our words became training data for large language models, robotics companies are betting that data about the way we move will help them build more capable humanoid robots. They see humanoids—despite being trickier to train than simple robotic arms—as more easily slotting into the places where humans work today (and someday replacing them entirely). This new notion for how to train humanoids arguably began",
            "body_en": "I was recently invited to join an app that would pay me cryptocurrency to film myself doing tasks like putting food into a bowl, microwaving it, and then taking it out. Another website suggested I try a new game in which I’d remotely control a robotic arm in Shenzhen, China, as it completed puzzles and tasks, to help improve the robot’s dexterity. What on earth is happening? Well, just as our words became training data for large language models, robotics companies are betting that data about the way we move will help them build more capable humanoid robots. They see humanoids—despite being trickier to train than simple robotic arms—as more easily slotting into the places where humans work today (and someday replacing them entirely). This new notion for how to train humanoids arguably began with the launch of ChatGPT in 2022. Large language models were able to generate text through exposure to massive amounts of training data—every word ever written that AI companies could find (or, some argue, steal). Roboticists wanted to apply these scaling laws to robotics but lacked an internet-size collection of data describing how we move. Put off by how difficult this would be to amass, companies used workarounds, like teaching robots to move in virtual simulations. However, simulations never perfectly model how things like friction or elasticity work in the real world, so the robots trained in them tended to (literally) stumble. Now companies building humanoid robots have decided that collecting real-world data, as cumbersome as it is, could yield a massive payoff. That’s where things got weird. Early efforts were quaint and academic. Labs collected hours and hours of data from people doing household tasks, like flipping waffles or cleaning their desks, while wearing cameras or handheld grippers. The data was shared openly. But as venture capital money poured into robotics—$6.1 billion in 2025 for humanoids alone—the race to create this training data has gotten more competitive, and more elaborate. There are now training centers in China where people wear exoskeletons and virtual-reality hardware while they do the same repetitive task, like wiping a table, hundreds of times per day. Gig workers in Nigeria, Argentina, and India are filming themselves doing chores at home . Earlier this year, I learned that a delivery company in the US had outfitted its employees with sensors that track their movements as they carry boxes, in part to study injuries but also with the goal of training robots that could replace them. All this points to a surreal future of work in which physical laborers increasingly become data collectors. But training robots on movement data we collect is still a complicated proposition. It’s not clear that it’s even possible to do it at the scale potentially needed to yield technical breakthroughs, let alone build a profitable business. What is the value of a clip of me opening my microwave? How many thousands of those moments would it take to teach a robot to cook dinner? Perhaps this’ll be the year we find out.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/humanoid-dataC2-thumb.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135656\/humanoid-data-robot-training-ai-artificial-intelligence\/",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "بيانات بشرية",
            "summary_ar": "لقد تمت دعوتي مؤخرًا للانضمام إلى تطبيق من شأنه أن يدفع لي عملة مشفرة لتصوير نفسي وأنا أقوم بمهام مثل وضع الطعام في وعاء، ووضعه في الميكروويف، ثم إخراجه. اقترح موقع آخر أن أجرب لعبة جديدة أتحكم فيها عن بعد بذراع آلية في شنتشن، الصين، حيث تكمل الألغاز والمهام، للمساعدة في تحسين براعة الروبوت. ماذا يحدث على الأرض؟ حسنًا، مثلما أصبحت كلماتنا بيانات تدريب لنماذج لغوية كبيرة، تراهن شركات الروبوتات على أن البيانات حول الطريقة التي نتحرك بها ستساعدهم على بناء روبوتات بشرية أكثر قدرة. إنهم يرون أن أشباه البشر - على الرغم من كونها أكثر صعوبة في التدريب من الأذرع الآلية البسيطة - يسهل اختراقها في الأماكن التي يعمل فيها البشر اليوم (وتحل محلها بالكامل في يوم من الأيام). يمكن القول إن هذه الفكرة الجديدة لكيفية تدريب الكائنات البشرية بدأ",
            "body_ar": "لقد تمت دعوتي مؤخرًا للانضمام إلى تطبيق من شأنه أن يدفع لي عملة مشفرة لتصوير نفسي وأنا أقوم بمهام مثل وضع الطعام في وعاء، ووضعه في الميكروويف، ثم إخراجه. اقترح موقع آخر أن أجرب لعبة جديدة أتحكم فيها عن بعد بذراع آلية في شنتشن، الصين، حيث تكمل الألغاز والمهام، للمساعدة في تحسين براعة الروبوت. ماذا يحدث على الأرض؟ حسنًا، مثلما أصبحت كلماتنا بيانات تدريب لنماذج لغوية كبيرة، تراهن شركات الروبوتات على أن البيانات حول الطريقة التي نتحرك بها ستساعدهم على بناء روبوتات بشرية أكثر قدرة. إنهم يرون أن أشباه البشر - على الرغم من كونها أكثر صعوبة في التدريب من الأذرع الآلية البسيطة - يسهل اختراقها في الأماكن التي يعمل فيها البشر اليوم (وتحل محلها بالكامل في يوم من الأيام). يمكن القول إن هذه الفكرة الجديدة لكيفية تدريب الروبوتات البشرية بدأت مع إطلاق ChatGPT في عام 2022. تمكنت النماذج اللغوية الكبيرة من إنشاء نص من خلال التعرض لكميات هائلة من بيانات التدريب - كل كلمة مكتوبة على الإطلاق يمكن لشركات الذكاء الاصطناعي العثور عليها (أو سرقتها، كما يجادل البعض). أراد علماء الروبوتات تطبيق قوانين التوسع هذه على الروبوتات، لكنهم افتقروا إلى مجموعة من البيانات بحجم الإنترنت تصف كيفية تحركنا. وبسبب مدى صعوبة جمع ذلك، استخدمت الشركات حلولاً بديلة، مثل تعليم الروبوتات كيفية التحرك في عمليات المحاكاة الافتراضية. ومع ذلك، فإن عمليات المحاكاة لا تمثل أبدًا نموذجًا مثاليًا لكيفية عمل أشياء مثل الاحتكاك أو المرونة في العالم الحقيقي، لذلك تميل الروبوتات المدربة عليها إلى التعثر (حرفيًا). والآن، قررت الشركات التي تصنع الروبوتات البشرية أن جمع بيانات العالم الحقيقي، على الرغم من صعوبته، يمكن أن يحقق مكاسب هائلة. هذا هو المكان الذي أصبحت فيه الأمور غريبة. كانت الجهود المبكرة غريبة وأكاديمية. جمعت المختبرات ساعات وساعات من البيانات من الأشخاص الذين يقومون بمهام منزلية، مثل تقليب الفطائر أو تنظيف مكاتبهم، أثناء ارتداء الكاميرات أو المقابض المحمولة. تمت مشاركة البيانات بشكل علني. ولكن مع تدفق أموال رأس المال الاستثماري على الروبوتات - 6.1 مليار دولار في عام 2025 للروبوتات البشرية وحدها - أصبح السباق لإنشاء بيانات التدريب هذه أكثر تنافسية وأكثر تفصيلاً. توجد الآن مراكز تدريب في الصين حيث يرتدي الأشخاص الهياكل الخارجية وأجهزة الواقع الافتراضي أثناء قيامهم بنفس المهمة المتكررة، مثل مسح الطاولة، مئات المرات يوميًا. يصور عمال الأعمال المؤقتة في نيجيريا والأرجنتين والهند أنفسهم وهم يقومون بالأعمال المنزلية في المنزل. في وقت سابق من هذا العام، علمت أن إحدى شركات التوصيل في الولايات المتحدة زودت موظفيها بأجهزة استشعار تتتبع تحركاتهم أثناء حملهم للصناديق، وذلك جزئيًا لدراسة الإصابات ولكن أيضًا بهدف تدريب الروبوتات التي يمكن أن تحل محلها. كل هذا يشير إلى مستقبل سريالي للعمل حيث يصبح العمال الجسديون بشكل متزايد جامعي بيانات. لكن تدريب الروبوتات على بيانات الحركة التي نجمعها لا يزال اقتراحًا معقدًا. وليس من الواضح ما إذا كان من الممكن القيام بذلك على النطاق المطلوب لتحقيق اختراقات تقنية، ناهيك عن بناء أعمال تجارية مربحة. ما قيمة مقطعي وأنا أفتح الميكروويف؟ كم الآلاف من تلك اللحظات سيستغرقها تعليم الروبوت طهي العشاء؟ ربما سيكون هذا هو العام الذي نجد فيه خارج.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135658\/china-open-source-models-ai-artificial-intelligence\/",
            "title_en": "China’s open-source bet",
            "summary_en": "Silicon Valley AI companies follow a familiar playbook: Keep the secret sauce behind an API, and charge for every drop. China’s leading AI labs are playing a different game: They ship models as downloadable “open-weight” packages. This lets developers adapt the models and run them on their own hardware to build products without negotiating a commercial relationship with a US gatekeeper. This strategy went mainstream after DeepSeek open-sourced its R1 reasoning model in January 2025. That model matched the performance of the best American systems, reportedly at a fraction of the cost. On raw capability, the gap between US and Chinese labs seemed to have suddenly narrowed. But China also won something subtler and stickier: goodwill with developers. Giving away what your rivals charge for has",
            "body_en": "Silicon Valley AI companies follow a familiar playbook: Keep the secret sauce behind an API, and charge for every drop. China’s leading AI labs are playing a different game: They ship models as downloadable “open-weight” packages. This lets developers adapt the models and run them on their own hardware to build products without negotiating a commercial relationship with a US gatekeeper. This strategy went mainstream after DeepSeek open-sourced its R1 reasoning model in January 2025. That model matched the performance of the best American systems, reportedly at a fraction of the cost. On raw capability, the gap between US and Chinese labs seemed to have suddenly narrowed. But China also won something subtler and stickier: goodwill with developers. Giving away what your rivals charge for has a way of doing that. China rode that momentum hard. A year after DeepSeek’s release, there’s now a cohort of Chinese open-source giants following the same blueprint, including Z.ai (formerly Zhipu), Moonshot, Alibaba’s Qwen, and MiniMax. They’re all racing to release more capable models, and they are closing in on US rivals at a pace few anticipated. That matters because AI hype is dying down, and companies are shifting focus from buzzy pilots to deployment and integration, where cheaper and more customizable tools tend to win. Chinese pricing means developers with limited budgets can experiment more, and open weights mean they can adapt models without asking for permission. A study by researchers at MIT and Hugging Face found that Chinese open-weight models accounted for 17.1% of global AI model downloads over the year ending in August 2025. That narrowly surpassed the US share of 15.86%—the first time China had led in this metric. And Hugging Face data from last month shows that Alibaba’s models, including its Qwen family, now have the most user-generated variants—more than models from Google and Meta combined. The open-source ideal, though, runs headlong into some hard realities. Chinese models carry the imprint of China’s content moderation regime and are trained to avoid outputs that conflict with government policy. And in February, Anthropic accused several Chinese labs of illicitly extracting capabilities from Claude through distillation, a process where you use one model’s outputs to train another. That’s a standard industry practice, but top US firms like OpenAI and Anthropic claim that Chinese companies have used fraudulent methods to do it. Despite pushback from the West, much of the Global South is embracing Chinese models, seeing open-source as a path to AI sovereignty. Singapore’s government-backed AI Singapore program chose Alibaba’s Qwen over Meta’s Llama to build its latest regional model on; last year, Malaysia announced that its sovereign AI ecosystem would run on DeepSeek. Meanwhile, founders from Nairobi to São Paulo to San Francisco are building on Chinese foundations. US tech CEOs believe the best models should stay proprietary, partly so they can recoup enormous training costs and partly out of concern that powerful frontier models could be weaponized. Chinese labs, for their part, are not purely idealistic: Open-source is not only free advertising but also a shrewd workaround. Without access to cutting-edge chips restricted by US export controls, releasing models openly accelerates the cycle of external feedback and contributions that compensates for constrained compute. The more developers build on your models, the stronger your ecosystem becomes, as Linux and Android have shown. That adoption naturally translates into API usage and revenue. Either way, open-source models have already made AI’s future more multipolar than Silicon Valley expected. And there’s no way of turning back.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/open-sourceC-thumb.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135658\/china-open-source-models-ai-artificial-intelligence\/",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "رهان الصين على المصادر المفتوحة",
            "summary_ar": "تتبع شركات الذكاء الاصطناعي في وادي السيليكون قواعد اللعبة المألوفة: احتفظ بالخلطة السرية وراء واجهة برمجة التطبيقات (API)، وقم بتحصيل رسوم مقابل كل قطرة. وتلعب مختبرات الذكاء الاصطناعي الرائدة في الصين لعبة مختلفة: فهي تشحن النماذج كحزم \"مفتوحة الوزن\" قابلة للتنزيل. يتيح ذلك للمطورين تكييف النماذج وتشغيلها على أجهزتهم الخاصة لبناء المنتجات دون التفاوض على علاقة تجارية مع حارس بوابة أمريكي. أصبحت هذه الإستراتيجية سائدة بعد أن قامت DeepSeek بفتح المصدر المفتوح لنموذج الاستدلال R1 الخاص بها في يناير 2025. وقد طابق هذا النموذج أداء أفضل الأنظمة الأمريكية، وبتكلفة زهيدة كما يقال. وفيما يتعلق بالقدرات الأولية، يبدو أن الفجوة بين المختبرات الأمريكية والصينية قد ضاقت فجأة. لكن الصين فازت أيضاً بشيء أكثر دقة ودقة: حسن النية مع المطورين. التخلي عن ما يتقاضاه منافسوك لديه",
            "body_ar": "تتبع شركات الذكاء الاصطناعي في وادي السيليكون قواعد اللعبة المألوفة: احتفظ بالخلطة السرية وراء واجهة برمجة التطبيقات (API)، وقم بتحصيل رسوم مقابل كل قطرة. وتلعب مختبرات الذكاء الاصطناعي الرائدة في الصين لعبة مختلفة: فهي تشحن النماذج كحزم \"مفتوحة الوزن\" قابلة للتنزيل. يتيح ذلك للمطورين تكييف النماذج وتشغيلها على أجهزتهم الخاصة لبناء المنتجات دون التفاوض على علاقة تجارية مع حارس بوابة أمريكي. أصبحت هذه الإستراتيجية سائدة بعد أن قامت DeepSeek بفتح المصدر المفتوح لنموذج الاستدلال R1 الخاص بها في يناير 2025. وقد طابق هذا النموذج أداء أفضل الأنظمة الأمريكية، وبتكلفة زهيدة كما يقال. وفيما يتعلق بالقدرات الأولية، يبدو أن الفجوة بين المختبرات الأمريكية والصينية قد ضاقت فجأة. لكن الصين فازت أيضاً بشيء أكثر دقة ودقة: حسن النية مع المطورين. إن التخلي عن ما يتقاضاه منافسوك هو طريقة للقيام بذلك. وقد استفادت الصين من هذا الزخم بقوة. بعد مرور عام على إطلاق DeepSeek، هناك الآن مجموعة من عمالقة المصادر المفتوحة الصينية الذين يتبعون نفس المخطط، بما في ذلك Z.ai (Zhipu سابقًا)، وMoonshot، وQwen من Alibaba، وMiniMax. إنهم جميعًا يتسابقون لإطلاق نماذج أكثر قدرة، ويقتربون من المنافسين الأمريكيين بوتيرة لم يتوقعها سوى القليل. وهذا أمر مهم لأن الضجيج حول الذكاء الاصطناعي آخذ في التلاشي، وتحول الشركات تركيزها من البرامج التجريبية المبهجة إلى النشر والتكامل، حيث تميل الأدوات الأرخص والأكثر قابلية للتخصيص إلى الفوز. التسعير الصيني يعني أن المطورين ذوي الميزانيات المحدودة يمكنهم تجربة المزيد، والأوزان المفتوحة تعني أنه يمكنهم تكييف النماذج دون طلب الإذن. وجدت دراسة أجراها باحثون في معهد ماساتشوستس للتكنولوجيا وHugging Face أن النماذج الصينية ذات الوزن المفتوح تمثل 17.1% من تنزيلات نماذج الذكاء الاصطناعي العالمية على مدار العام المنتهي في أغسطس 2025. وقد تجاوز هذا بفارق ضئيل حصة الولايات المتحدة البالغة 15.86% ــ وهي المرة الأولى التي تتصدر فيها الصين هذا المقياس. وتظهر بيانات Hugging Face من الشهر الماضي أن نماذج علي بابا، بما في ذلك عائلة Qwen، لديها الآن معظم المتغيرات التي أنشأها المستخدمون - أكثر من نماذج Google و Meta مجتمعة. ومع ذلك، فإن نموذج المصدر المفتوح يصطدم ببعض الحقائق الصعبة. تحمل العارضات الصينيات بصمة نظام تعديل المحتوى الصيني، ويتم تدريبهن على تجنب المخرجات التي تتعارض مع سياسة الحكومة. وفي فبراير\/شباط، اتهمت شركة أنثروبيك العديد من المختبرات الصينية باستخراج القدرات بشكل غير مشروع من كلود من خلال التقطير، وهي عملية يتم فيها استخدام مخرجات نموذج واحد لتدريب نموذج آخر. وهذه ممارسة قياسية في الصناعة، لكن الشركات الأمريكية الكبرى مثل OpenAI وAnthropic تزعم أن الشركات الصينية استخدمت أساليب احتيالية للقيام بذلك. على الرغم من معارضة الغرب، فإن قسمًا كبيرًا من الجنوب العالمي يتبنى النماذج الصينية، ويرى في المصدر المفتوح طريقًا لسيادة الذكاء الاصطناعي. اختار برنامج سنغافورة للذكاء الاصطناعي المدعوم من الحكومة برنامج Qwen التابع لشركة علي بابا بدلاً من برنامج Meta’s Llama لبناء أحدث نموذج إقليمي له؛ في العام الماضي، أعلنت ماليزيا أن نظامها البيئي السيادي للذكاء الاصطناعي سيعمل على DeepSeek. ومن ناحية أخرى، يبني المؤسسون من نيروبي إلى ساو باولو إلى سان فرانسيسكو على أسس صينية. يعتقد الرؤساء التنفيذيون للتكنولوجيا في الولايات المتحدة أن أفضل النماذج يجب أن تظل مملوكة لهم، جزئيًا حتى يتمكنوا من تعويض تكاليف التدريب الهائلة، وجزئيًا بسبب القلق من إمكانية استخدام النماذج الحدودية القوية كسلاح. ومن جانبها، فإن المختبرات الصينية ليست مثالية بحتة: فالمصدر المفتوح ليس إعلانًا مجانيًا فحسب، بل هو أيضًا حل بديل ذكي. وبدون الوصول إلى الرقائق المتطورة المقيدة بضوابط التصدير الأمريكية، فإن إطلاق النماذج بشكل علني يعمل على تسريع دورة ردود الفعل والمساهمات الخارجية التي تعوض عن الحوسبة المقيدة. كلما زاد عدد المطورين الذين يعتمدون على نماذجك، أصبح نظامك البيئي أقوى، كما أظهر Linux وAndroid. يُترجم هذا الاعتماد بشكل طبيعي إلى استخدام واجهة برمجة التطبيقات (API) والإيرادات. وفي كلتا الحالتين، فإن النماذج مفتوحة المصدر جعلت بالفعل مستقبل الذكاء الاصطناعي أكثر تعدد الأقطاب مما توقعه وادي السليكون. وليس هناك طريقة للتحول خلف.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135663\/artificial-scientists-ai-artificial-intelligence\/",
            "title_en": "Artificial scientists",
            "summary_en": "AI companies frequently invoke the possibility of AI-enabled scientific discovery as a justification for their existence: If the technology eventually cures cancer and solves climate change, then all the carbon emissions and slop videos will have been well worth it. Already, LLMs can assist scientists in all sorts of ways. They can point people to relevant studies in the literature, draft journal articles, and, of course, write code. But AI companies and academic researchers alike have a much more ambitious vision for AI co-scientists. They want to develop systems that can act as a full member of a scientific team or, even more ambitiously, initiate and carry out research projects with limited human guidance. Google DeepMind has invested heavily in scientific AI for years, and it paid off ",
            "body_en": "AI companies frequently invoke the possibility of AI-enabled scientific discovery as a justification for their existence: If the technology eventually cures cancer and solves climate change, then all the carbon emissions and slop videos will have been well worth it. Already, LLMs can assist scientists in all sorts of ways. They can point people to relevant studies in the literature, draft journal articles, and, of course, write code. But AI companies and academic researchers alike have a much more ambitious vision for AI co-scientists. They want to develop systems that can act as a full member of a scientific team or, even more ambitiously, initiate and carry out research projects with limited human guidance. Google DeepMind has invested heavily in scientific AI for years, and it paid off in 2024 when Demis Hassabis and John Jumper, the company’s CEO and director, won the Nobel Prize in chemistry for AlphaFold, a specialized system that can predict the three-dimensional structure of a protein. Now its competitors are working to catch up. In October 2025, OpenAI launched a team devoted to AI for science, and Anthropic announced several Claude features geared toward the biological sciences around the same time. OpenAI in particular has called building an autonomous researcher its “North Star.” It just announced GPT‑Rosalind, the first in a planned series of specialized scientific models. Google released its own AI co-scientist tool last February. Under the hood, many of these AI-for-science systems are in fact multiple specialized AI agents working in concert. Google’s co-scientist uses a supervisor agent, a generation agent, and a ranking agent, among several others, in order to generate potential hypotheses and research plans in response to a goal provided by a human scientist. More recently, researchers at Stanford’s AI for Science Lab, led by James Zou, devised a “virtual lab” made up of agents that took on the roles of specialists in different scientific fields. They found that their system could design new antibody fragments that bind to SARS-CoV-2, the virus that causes covid. Unlike human scientists, however, those teams of agents can’t yet go out and test their ideas in the lab. To overcome that limitation, some researchers are plugging LLMs into experiment-running robots. In February, OpenAI announced that it had connected GPT-5 directly with automated biological laboratories built by the company Ginkgo Bioworks so that the AI system could iteratively propose experiments and interpret the results with limited human involvement. This approach allowed the system to run a gargantuan number of experiments and create a recipe that reduced the cost of synthesizing a particular protein by 40%. AI-powered science seems like a win for frontier labs and for society at large. But research suggests it could have unintended consequences. A recent Nature study found that while individual scientists see professional advantages from adopting AI, science on the whole may suffer, because AI reduces the scope of what the scientific community investigates. That might be because AI is especially good at analyzing preexisting data sets and literature, so scientists who use it gravitate toward established topic areas where large-scale data is available. That could leave fewer scientists to study problems less amenable to AI. Integrating AI effectively into science is more than just a technical problem: Maintaining the vibrance and diversity of science in the AI era may require concerted effort from the scientific community.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/artificial-scientistC_thumb.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135663\/artificial-scientists-ai-artificial-intelligence\/",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "علماء الاصطناعي",
            "summary_ar": "كثيرا ما تتذرع شركات الذكاء الاصطناعي بإمكانية الاكتشاف العلمي المدعوم بالذكاء الاصطناعي كمبرر لوجودها: إذا نجحت التكنولوجيا في نهاية المطاف في علاج السرطان وحل مشكلة تغير المناخ، فإن كل انبعاثات الكربون ومقاطع الفيديو المتساقطة ستكون تستحق العناء. وبالفعل، يستطيع حاملو شهادة الماجستير في القانون مساعدة العلماء بشتى الطرق. يمكنهم توجيه الأشخاص إلى الدراسات ذات الصلة في الأدبيات، ومسودات المقالات الصحفية، وبالطبع كتابة التعليمات البرمجية. لكن شركات الذكاء الاصطناعي والباحثين الأكاديميين على حد سواء لديهم رؤية أكثر طموحًا للعلماء المشاركين في الذكاء الاصطناعي. إنهم يريدون تطوير أنظمة يمكنها العمل كعضو كامل في فريق علمي، أو حتى بشكل أكثر طموحًا، بدء وتنفيذ مشاريع بحثية بتوجيه بشري محدود. لقد استثمر Google DeepMind بكثافة في الذكاء الاصطناعي العلمي لسنوات عديدة، وقد أتى ذلك بثماره",
            "body_ar": "كثيرا ما تتذرع شركات الذكاء الاصطناعي بإمكانية الاكتشاف العلمي المدعوم بالذكاء الاصطناعي كمبرر لوجودها: إذا نجحت التكنولوجيا في نهاية المطاف في علاج السرطان وحل مشكلة تغير المناخ، فإن كل انبعاثات الكربون ومقاطع الفيديو المتساقطة ستكون تستحق العناء. وبالفعل، يستطيع حاملو شهادة الماجستير في القانون مساعدة العلماء بشتى الطرق. يمكنهم توجيه الأشخاص إلى الدراسات ذات الصلة في الأدبيات، ومسودات المقالات الصحفية، وبالطبع كتابة التعليمات البرمجية. لكن شركات الذكاء الاصطناعي والباحثين الأكاديميين على حد سواء لديهم رؤية أكثر طموحًا للعلماء المشاركين في الذكاء الاصطناعي. إنهم يريدون تطوير أنظمة يمكنها العمل كعضو كامل في فريق علمي، أو حتى بشكل أكثر طموحًا، بدء وتنفيذ مشاريع بحثية بتوجيه بشري محدود. لقد استثمرت Google DeepMind بكثافة في الذكاء الاصطناعي العلمي لسنوات، وقد أتت ثمارها في عام 2024 عندما فاز ديميس هاسابيس وجون جامبر، الرئيس التنفيذي ومدير الشركة، بجائزة نوبل في الكيمياء عن AlphaFold، وهو نظام متخصص يمكنه التنبؤ بالبنية ثلاثية الأبعاد للبروتين. والآن يعمل منافسوها على اللحاق بالركب. في أكتوبر 2025، أطلقت OpenAI فريقًا مخصصًا للذكاء الاصطناعي من أجل العلوم، وأعلنت Anthropic عن العديد من ميزات Claude الموجهة نحو العلوم البيولوجية في نفس الوقت تقريبًا. أطلقت شركة OpenAI على وجه الخصوص على بناء باحث مستقل اسم \"نجم الشمال\". لقد أعلنت للتو عن GPT-Rosalind، وهو الأول في سلسلة مخطط لها من النماذج العلمية المتخصصة. أصدرت Google أداة الذكاء الاصطناعي الخاصة بها في فبراير الماضي. تحت الغطاء، فإن العديد من أنظمة الذكاء الاصطناعي من أجل العلوم هي في الواقع العديد من عملاء الذكاء الاصطناعي المتخصصين الذين يعملون بشكل متضافر. ويستخدم العالم المشارك في Google وكيلًا مشرفًا، ووكيل توليد، ووكيل تصنيف، من بين عدة آخرين، من أجل إنشاء فرضيات وخطط بحثية محتملة استجابة لهدف يقدمه عالم بشري. وفي الآونة الأخيرة، ابتكر الباحثون في مختبر الذكاء الاصطناعي للعلوم بجامعة ستانفورد، بقيادة جيمس زو، \"مختبرًا افتراضيًا\" يتكون من عملاء تولوا أدوار المتخصصين في مجالات علمية مختلفة. ووجدوا أن نظامهم يمكنه تصميم أجزاء جديدة من الأجسام المضادة التي ترتبط بـ SARS-CoV-2، الفيروس المسبب لمرض كوفيد-19. ومع ذلك، على عكس العلماء البشريين، لا تستطيع فرق العملاء هذه الخروج واختبار أفكارهم في المختبر. وللتغلب على هذا القيد، يقوم بعض الباحثين بتوصيل حاملي شهادة الماجستير في الروبوتات التي تجري التجارب. في فبراير، أعلنت شركة OpenAI أنها ربطت GPT-5 مباشرة مع المختبرات البيولوجية الآلية التي بنتها شركة Ginkgo Bioworks، بحيث يتمكن نظام الذكاء الاصطناعي من اقتراح التجارب بشكل متكرر وتفسير النتائج بمشاركة بشرية محدودة. سمح هذا النهج للنظام بإجراء عدد كبير من التجارب وإنشاء وصفة خفضت تكلفة تصنيع بروتين معين بنسبة 40%. يبدو أن العلوم التي تعتمد على الذكاء الاصطناعي هي بمثابة فوز للمختبرات الرائدة وللمجتمع ككل. لكن الأبحاث تشير إلى أنه قد يكون لها عواقب غير مقصودة. وجدت دراسة حديثة أجرتها مجلة Nature أنه في حين يرى العلماء الأفراد مزايا مهنية من اعتماد الذكاء الاصطناعي، فإن العلم بشكل عام قد يعاني، لأن الذكاء الاصطناعي يقلل من نطاق ما يبحثه المجتمع العلمي. ربما يرجع ذلك إلى أن الذكاء الاصطناعي جيد بشكل خاص في تحليل مجموعات البيانات والأدبيات الموجودة مسبقًا، لذلك ينجذب العلماء الذين يستخدمونه نحو مجالات المواضيع المحددة التي تتوفر فيها بيانات واسعة النطاق. وقد يؤدي ذلك إلى ترك عدد أقل من العلماء لدراسة المشكلات الأقل قابلية للذكاء الاصطناعي. إن دمج الذكاء الاصطناعي بشكل فعال في العلوم هو أكثر من مجرد مشكلة تقنية: فالحفاظ على حيوية العلوم وتنوعها في عصر الذكاء الاصطناعي قد يتطلب جهودًا متضافرة من القطاع العلمي. مجتمع.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135665\/resistance-ai-artificial-intelligence-backlash-protests\/",
            "title_en": "Resistance",
            "summary_en": "Turns out not everyone wants to live in the future that AI companies are building. People from all walks of life are speaking out against rising electricity bills from data centers, disappearing jobs, chatbots’ impact on teen mental health, the military’s use of AI, and copyright infringement—among other concerns. This anti-AI movement is taking shape around the world. In February, hundreds of people marched past the London headquarters of OpenAI, Google DeepMind, and Meta in one of the largest protests against AI to date. And in the US in March, an unlikely coalition of MAGA Republicans, democratic socialists, labor activists, and church leaders signed a Pro-Human AI Declaration , articulating the principle that AI should serve humanity, not replace it. In March, the biggest flash point w",
            "body_en": "Turns out not everyone wants to live in the future that AI companies are building. People from all walks of life are speaking out against rising electricity bills from data centers, disappearing jobs, chatbots’ impact on teen mental health, the military’s use of AI, and copyright infringement—among other concerns. This anti-AI movement is taking shape around the world. In February, hundreds of people marched past the London headquarters of OpenAI, Google DeepMind, and Meta in one of the largest protests against AI to date. And in the US in March, an unlikely coalition of MAGA Republicans, democratic socialists, labor activists, and church leaders signed a Pro-Human AI Declaration , articulating the principle that AI should serve humanity, not replace it. In March, the biggest flash point was the US military’s use of the technology. In the wake of OpenAI’s deal with the Pentagon earlier this year, users uninstalled ChatGPT in droves, while protesters chalked messages such as “What are the safeguards?” around OpenAI’s headquarters in San Francisco. In April, a Texas man allegedly threw a Molotov cocktail at the OpenAI CEO Sam Altman’s home in San Francisco and was found carrying an anti-AI diatribe . The backlash reflects deep anxieties. Last year, a Pew poll found that half of Americans are concerned about the increased use of AI in daily life, with many believing it will erode people’s ability to think creatively and form meaningful relationships. Another survey found that three-quarters of Americans worry AI could pose a threat to humanity . People have practical concerns, too. College graduates are having a harder time finding jobs. And a survey late last year indicated that even though AI is not yet generating substantial economic value, employers are preemptively laying off workers (though some argue that AI is just a convenient excuse for cost-cutting). In February, the financial technology company Block said it would lay off 40% of its staff. A few weeks later, the software company Atlassian announced plans to cut 1,600 employees. Employees are protesting these kinds of layoffs while labor unions mobilize for better worker protections. Parents are also sounding the alarm. Lawsuits alleging that chatbots drove teens to suicide or self-harm are piling up. In some cities, parents are signing petitions to demand a two-year moratorium on AI in schools. Some of the pushback is shaping policy. In New York and California , new rules have put safeguards on AI companionship bots. Meanwhile, artists are winning small battles to protect copyright laws. In March, the UK government backtracked on plans to let AI companies train AI models on copyrighted content without permission after fierce blowback from artists. But some of the sharpest resistance is coming from communities where data centers are built, fueled by concerns that these facilities are driving up utility bills , creating pollution , and consuming rural land . In the US, activists stalled $98 billion in data center development in the second quarter of 2025. In response, President Trump secured a pledge from AI company executives in March to cover the energy costs created by their data centers by building or buying from new power plants. People want to have a say in how AI transforms their future. And they’re starting to create small cracks in AI labs’ vision for the future.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/resistance3C-thumb.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1135665\/resistance-ai-artificial-intelligence-backlash-protests\/",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "مقاومة",
            "summary_ar": "اتضح أن الجميع لا يريدون العيش في المستقبل الذي تبنيه شركات الذكاء الاصطناعي. يتحدث الناس من جميع مناحي الحياة علنًا ضد ارتفاع فواتير الكهرباء من مراكز البيانات، واختفاء الوظائف، وتأثير روبوتات الدردشة على الصحة العقلية للمراهقين، واستخدام الجيش للذكاء الاصطناعي، وانتهاك حقوق الطبع والنشر - من بين مخاوف أخرى. هذه الحركة المناهضة للذكاء الاصطناعي تتشكل في جميع أنحاء العالم. في فبراير\/شباط، قام مئات الأشخاص بمسيرة أمام المقر الرئيسي لشركة OpenAI، وGoogle DeepMind، وMeta في لندن، في واحدة من أكبر الاحتجاجات ضد الذكاء الاصطناعي حتى الآن. وفي الولايات المتحدة في مارس\/آذار، وقع ائتلاف غير متوقع من الجمهوريين من حزب MAGA، والاشتراكيين الديمقراطيين، والنشطاء العماليين، وقادة الكنيسة، على إعلان مناصر للذكاء الاصطناعي، يوضح مبدأ مفاده أن الذكاء الاصطناعي يجب أن يخدم البشرية، وليس أن يحل محلها. في شهر مارس، كانت أكبر نقطة اشتعال",
            "body_ar": "اتضح أن الجميع لا يريدون العيش في المستقبل الذي تبنيه شركات الذكاء الاصطناعي. يتحدث الناس من جميع مناحي الحياة علنًا ضد ارتفاع فواتير الكهرباء من مراكز البيانات، واختفاء الوظائف، وتأثير روبوتات الدردشة على الصحة العقلية للمراهقين، واستخدام الجيش للذكاء الاصطناعي، وانتهاك حقوق الطبع والنشر - من بين مخاوف أخرى. هذه الحركة المناهضة للذكاء الاصطناعي تتشكل في جميع أنحاء العالم. في فبراير\/شباط، قام مئات الأشخاص بمسيرة أمام المقر الرئيسي لشركة OpenAI، وGoogle DeepMind، وMeta في لندن، في واحدة من أكبر الاحتجاجات ضد الذكاء الاصطناعي حتى الآن. وفي الولايات المتحدة في مارس\/آذار، وقع ائتلاف غير متوقع من الجمهوريين من حزب MAGA، والاشتراكيين الديمقراطيين، والنشطاء العماليين، وقادة الكنيسة، على إعلان مناصر للذكاء الاصطناعي، يوضح مبدأ مفاده أن الذكاء الاصطناعي يجب أن يخدم البشرية، وليس أن يحل محلها. وفي شهر مارس\/آذار، كانت أكبر نقطة اشتعال هي استخدام الجيش الأمريكي لهذه التكنولوجيا. في أعقاب صفقة OpenAI مع البنتاغون في وقت سابق من هذا العام، قام المستخدمون بإلغاء تثبيت ChatGPT بأعداد كبيرة، في حين كتب المتظاهرون رسائل مثل \"ما هي الضمانات؟\" حول المقر الرئيسي لشركة OpenAI في سان فرانسيسكو. في إبريل\/نيسان، زُعم أن رجلاً من تكساس ألقى زجاجة مولوتوف على منزل سام ألتمان، الرئيس التنفيذي لشركة OpenAI، في سان فرانسيسكو، ووُجد وهو يحمل خطبة لاذعة مناهضة للذكاء الاصطناعي. ويعكس رد الفعل العنيف مخاوف عميقة. في العام الماضي، وجد استطلاع للرأي أجراه مركز بيو أن نصف الأميركيين يشعرون بالقلق إزاء الاستخدام المتزايد للذكاء الاصطناعي في الحياة اليومية، ويعتقد كثيرون أنه سيؤدي إلى تآكل قدرة الناس على التفكير بشكل إبداعي وتكوين علاقات ذات معنى. ووجد استطلاع آخر أن ثلاثة أرباع الأمريكيين يشعرون بالقلق من أن الذكاء الاصطناعي قد يشكل تهديدًا للإنسانية. لدى الناس مخاوف عملية أيضًا. يواجه خريجو الجامعات صعوبة في العثور على وظائف. وأشارت دراسة استقصائية أجريت في أواخر العام الماضي إلى أنه على الرغم من أن الذكاء الاصطناعي لم يولد بعد قيمة اقتصادية كبيرة، فإن أصحاب العمل يقومون بتسريح العمال بشكل استباقي (رغم أن البعض يزعم أن الذكاء الاصطناعي مجرد ذريعة مريحة لخفض التكاليف). وفي فبراير، قالت شركة التكنولوجيا المالية Block إنها ستسرح 40% من موظفيها. وبعد بضعة أسابيع، أعلنت شركة البرمجيات أتلاسيان عن خطط لتسريح 1600 موظف. ويحتج الموظفون على هذا النوع من تسريح العمال بينما تقوم النقابات العمالية بالتعبئة من أجل حماية أفضل للعمال. الآباء أيضا يدقون ناقوس الخطر. تتراكم الدعاوى القضائية التي تزعم أن برامج الدردشة الآلية دفعت المراهقين إلى الانتحار أو إيذاء النفس. وفي بعض المدن، يوقع الآباء على التماسات للمطالبة بوقف استخدام الذكاء الاصطناعي في المدارس لمدة عامين. بعض الرفض يشكل السياسة. في نيويورك وكاليفورنيا، وضعت قواعد جديدة ضمانات على الروبوتات المصاحبة للذكاء الاصطناعي. وفي الوقت نفسه، يكسب الفنانون معارك صغيرة لحماية قوانين حقوق النشر. في مارس\/آذار، تراجعت حكومة المملكة المتحدة عن خطط للسماح لشركات الذكاء الاصطناعي بتدريب نماذج الذكاء الاصطناعي على محتوى محمي بحقوق الطبع والنشر دون إذن بعد رد فعل عنيف من الفنانين. لكن بعض المقاومة الأكثر حدة تأتي من المجتمعات التي يتم فيها بناء مراكز البيانات، والتي تغذيها المخاوف من أن هذه المرافق تؤدي إلى ارتفاع فواتير الخدمات العامة، وخلق التلوث، واستهلاك الأراضي الريفية. وفي الولايات المتحدة، أوقف الناشطون 98 مليار دولار في تطوير مراكز البيانات في الربع الثاني من عام 2025. وردا على ذلك، حصل الرئيس ترامب على تعهد من المديرين التنفيذيين لشركة الذكاء الاصطناعي في مارس لتغطية تكاليف الطاقة الناتجة عن مراكز البيانات الخاصة بهم عن طريق بناء أو شراء محطات طاقة جديدة. يريد الناس أن يكون لهم رأي في كيفية تحويل الذكاء الاصطناعي لمستقبلهم. وقد بدأوا في إحداث شقوق صغيرة في رؤية مختبرات الذكاء الاصطناعي لـ مستقبل.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/googles-new-deep-research-and-deep-research-max-agents-can-search-the-web-and-your-private-data",
            "title_en": "Google’s new Deep Research and Deep Research Max agents can search the web and your private data",
            "summary_en": "Google on Monday unveiled the most significant upgrade to its autonomous research agent capabilities since the product's debut, launching two new agents — Deep Research and Deep Research Max — that for the first time allow developers to fuse open web data with proprietary enterprise information through a single API call , produce native charts and infographics inside research reports, and connect to arbitrary third-party data sources through the Model Context Protocol (MCP). The release, built on Google's Gemini 3.1 Pro model , marks an inflection point in the rapidly intensifying race to build AI systems that can autonomously conduct the kind of exhaustive, multi-source research that has traditionally consumed hours or days of human analyst time. It also represents Google's",
            "body_en": "Google on Monday unveiled the most significant upgrade to its autonomous research agent capabilities since the product's debut, launching two new agents — Deep Research and Deep Research Max — that for the first time allow developers to fuse open web data with proprietary enterprise information through a single API call , produce native charts and infographics inside research reports, and connect to arbitrary third-party data sources through the Model Context Protocol (MCP). The release, built on Google's Gemini 3.1 Pro model , marks an inflection point in the rapidly intensifying race to build AI systems that can autonomously conduct the kind of exhaustive, multi-source research that has traditionally consumed hours or days of human analyst time. It also represents Google's clearest bid yet to position its AI infrastructure as the backbone for enterprise research workflows in finance, life sciences, and market intelligence — industries where the stakes of getting information wrong are extraordinarily high. \"We are launching two powerful updates to Deep Research in the Gemini API , now with better quality, MCP support, and native chart\/infographics generation,\" Google CEO Sundar Pichai wrote on X. \"Use Deep Research when you want speed and efficiency, and use Max when you want the highest quality context gathering & synthesis using extended test-time compute — achieving 93.3% on DeepSearchQA and 54.6% on HLE.\" Both agents are available starting today in public preview via paid tiers of the Gemini API , accessible through the Interactions API that Google first introduced in December 2025. Why Google built two research agents instead of one The launch introduces a tiered architecture that reflects a fundamental tension in AI agent design: the tradeoff between speed and thoroughness. Deep Research , the standard tier, replaces the preview agent Google released in December and is optimized for low-latency, interactive use cases. It delivers what Google describes as significantly reduced latency and cost at higher quality levels compared to its predecessor. The company positions it as ideal for applications where a developer wants to embed research capabilities directly into a user-facing interface — think a financial dashboard that can answer complex analytical questions in near-real time. Deep Research Max occupies the opposite end of the spectrum. It leverages extended test-time compute — a technique where the model spends more computational cycles iteratively reasoning, searching, and refining its output before delivering a final report. Google designed it for asynchronous, background workflows: the kind of task where an analyst team kicks off a batch of due diligence reports before leaving the office and expects exhaustive, fully sourced analyses waiting for them the next morning. The Google DeepMind team framed the distinction on X: \"Deep Research: Optimized for speed and efficiency. Perfect for interactive apps needing quicker responses. Deep Research Max: It uses extra time to search and reason. Ideal for exhaustive context gathering and tasks happening in the background.\" \"Deep Research was our first hosted agent in the API and has gained a ton of traction over the last 3 months, very excited for folks to test out the new agents and all the improvements, this is just the start of our agents journey,\" Logan Kilpatrick, who leads developer relations for Google's AI efforts, wrote on X. MCP support lets the agents tap into private enterprise data for the first time Perhaps the most consequential feature in today's release is the addition of Model Context Protocol support , which transforms Deep Research from a sophisticated web research tool into something more closely resembling a universal data analyst. MCP , an emerging open standard for connecting AI models to external data sources, allows Deep Research to securely query private databases, internal document repositories, and specialized third-party data services — all without requiring sensitive information to leave its source environment. In practical terms, this means a hedge fund could point Deep Research at its internal deal-flow database and a financial data terminal simultaneously, then ask the agent to synthesize insights from both alongside publicly available information from the web. Google disclosed that it is actively collaborating with FactSet , S&P , and PitchBook on their MCP server designs, a signal that the company is pursuing deep integration with the data providers that Wall Street and the broader financial services industry already rely on daily. The goal, according to the blog post authored by Google DeepMind product managers Lukas Haas and Srinivas Tadepalli, is to \"let shared customers integrate financial data offerings into workflows powered by Deep Research, and to enable them to realize a leap in productivity by gathering context using their exhaustive data universes at lightning speed.\" This addresses one of the most persistent pain points in enterprise AI adoption: the gap between what a model can find on the open internet and what an organization actually needs to make decisions. Until now, bridging that gap required significant custom engineering. MCP support, combined with Deep Research's autonomous browsing and reasoning capabilities, collapses much of that complexity into a configuration step. Developers can now run Deep Research with Google Search, remote MCP servers, URL Context, Code Execution, and File Search simultaneously — or turn off web access entirely to search exclusively over custom data. The system also accepts multimodal inputs including PDFs, CSVs, images, audio, and video as grounding context. Native charts and infographics turn AI reports into stakeholder-ready deliverables The second headline feature — native chart and infographic generation — may sound incremental, but it addresses a practical limitation that has constrained the usefulness of AI-generated research outputs in professional settings. Previous versions of Deep Research produced text-only reports. Users who needed visualizations had to export the data and build charts themselves, a friction point that undermined the promise of end-to-end automation. The new agents generate high-quality charts and infographics inline within their reports, rendered in HTML or Google's Nano Banana format, dynamically visualizing complex datasets as part of the analytical narrative. \"The agent generates HTML charts and infographics inline with the report. Not screenshots. Not suggestions to 'visualize this data.' Actual rendered charts inside the markdown output,\" noted AI commentator Shruti Mishra on X, capturing the practical significance of the change. For enterprise users — particularly those in finance and consulting who need to produce stakeholder-ready deliverables — this transforms Deep Research from a tool that accelerates the research phase into one that can potentially produce near-final analytical products. Combined with a new collaborative planning feature that lets users review, guide, and refine the agent's research plan before execution, and real-time streaming of intermediate reasoning steps, the system gives developers granular control over the investigation's scope while maintaining the transparency that regulated industries demand. How Deep Research evolved from a consumer chatbot feature to enterprise platform infrastructure Today's release crystallizes a strategic narrative Google has been building for months: Deep Research is not merely a consumer feature but a piece of infrastructure that powers multiple Google products and is now being offered to external developers as a platform. The blog post explicitly notes that when developers build with the Deep Research agent , they tap into \"the same autonomous research infrastructure that powers research capabilities within some of Google's most popular products like Gemini App , NotebookLM , Google Search and Google Finance .\" This suggests that the agent available through the API is not a stripped-down version of what Google uses internally but the same system, offered at platform scale. The journey to this point has been remarkably rapid. Google first introduced Deep Research as a consumer feature in the Gemini app in December 2024, initially powered by Gemini 1.5 Pro. At the time, the company described it as a personal AI research assistant that could save users hours by synthesizing web information in minutes. By March 2025, Google upgraded Deep Research with Gemini 2.0 Flash Thinking Experimental and made it available for anyone to try. Then came the upgrade to Gemini 2.5 Pro Experimental , where Google reported that raters preferred its reports over competing deep research providers by more than a 2-to-1 margin. The December 2025 release was the pivot to developer access, when Google launched the Interactions API and made Deep Research available programmatically for the first time, powered by Gemini 3 Pro and accompanied by the open-source DeepSearchQA benchmark . The underlying model driving today's improvements is Gemini 3.1 Pro , which Google released on February 19, 2026. That model represented a significant leap in core reasoning: on ARC-AGI-2 , a benchmark evaluating a model's ability to solve novel logic patterns, 3.1 Pro scored 77.1% — more than double the performance of Gemini 3 Pro. Deep Research Max inherits that reasoning foundation and layers autonomous research behaviors on top of it, achieving 93.3% on DeepSearchQA (up from 66.1% in December) and 54.6% on Humanity's Last Exam (up from 46.4%). Google faces a crowded field of competitors building autonomous research agents Google is not operating in a vacuum. The launch arrives amid intensifying competition in the autonomous research agent space. OpenAI has been developing its own agent capabilities within ChatGPT under the codename Hermes, which includes an agent builder, templates, scheduling, and Slack integration, according to reports circulating on social media. Perplexity has built its business around AI-powered research. And a growing ecosystem of startups is attacking various slices of the automated research workflow. What distinguishes Google's approach is the combination of its search infrastructure — which gives Deep Research access to the broadest and most current index of web information available — with the MCP-based connectivity to enterprise data sources. No other company currently offers a research agent that can simultaneously query the open web at Google Search's scale and navigate proprietary data repositories through a standardized protocol. The pricing structure also signals Google's intent to drive adoption: according to Sim.ai, which tracks model pricing, the Deep Research agent in the December preview was priced at $2 per million input tokens and $2 per million output tokens with a 1 million token context window — positioning it as cost-competitive for the volume of research output it generates. Not everyone greeted the announcement with unalloyed enthusiasm, however. Several users on X noted that the new agents are available only through the API, not in the Gemini consumer app. \"Not on Gemini app,\" observed TestingCatalog News , while another user wrote, \"Google keeps punishing Gemini App Pro subscribers for some reason.\" Others raised concerns about the presentation of benchmark results, with one user arguing that Google's charts could be \" misleading \" in how they represent percentage improvements. These complaints point to a broader tension in Google's AI strategy: the company is increasingly directing its most advanced capabilities toward developers and enterprise customers who access them through APIs, while consumer-facing products sometimes lag behind. What Deep Research Max means for finance, biotech, and the future of knowledge work The practical implications of today's launch are most immediately felt in industries that depend on exhaustive, multi-source research as a core business function. In financial services, where analysts routinely spend hours assembling due diligence reports from scattered sources — SEC filings, earnings transcripts, market data terminals, internal deal memos — Deep Research Max offers the possibility of automating the initial research phase entirely. The FactSet , S&P , and PitchBook partnerships suggest Google is serious about making this work with the data infrastructure that financial professionals already use. In life sciences, the blog post notes that Google has collaborated with Axiom Bio , which builds AI systems to predict drug toxicity, and found that Deep Research unlocked new levels of initial research depth across biomedical literature. In market research and consulting, the ability to produce stakeholder-ready reports with embedded visualizations and granular citations could compress project timelines from days to hours. The key question is whether the quality and reliability of these automated outputs will meet the standards that professionals in these fields demand. Google's benchmark numbers are impressive, but benchmarks measure performance on standardized tasks — real-world research is messier, more ambiguous, and often requires the kind of judgment that remains difficult to automate. Deep Research and Deep Research Max are available now in public preview via paid tiers of the Gemini API, with availability on Google Cloud for startups and enterprises coming soon. Eighteen months ago, Deep Research was a feature that helped grad students avoid drowning in browser tabs. Today, Google is betting it can replace the first shift at an investment bank. The distance between those two ambitions — and whether the technology can actually close it — will define whether autonomous research agents become a transformative category of enterprise software or just another AI demo that dazzles on benchmarks and disappoints in the conference room.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/XnHzMo0vBDWmcq26xBte3\/4a3d68b62ae2c7ac004b7706cf2cebe5\/nuneybits_Vector_art_of_Google_logo_morphing_into_research_grap_58bdb7e1-2ede-42c5-9881-d2674c2d9475.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/googles-new-deep-research-and-deep-research-max-agents-can-search-the-web-and-your-private-data",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يمكن لعملاء Deep Research وDeep Research Max الجدد من Google البحث في الويب وبياناتك الخاصة",
            "summary_ar": "كشفت Google يوم الاثنين عن أهم ترقية لقدرات وكيل الأبحاث المستقل منذ ظهور المنتج لأول مرة، حيث أطلقت وكيلين جديدين - Deep Research و Deep Research Max - اللذان يسمحان لأول مرة للمطورين بدمج بيانات الويب المفتوحة مع معلومات المؤسسة الخاصة من خلال استدعاء API واحد، وإنتاج مخططات ورسوم بيانية أصلية داخل التقارير البحثية، والاتصال بمصادر بيانات خارجية عشوائية من خلال بروتوكول السياق النموذجي (MCP). يمثل الإصدار، المبني على نموذج Google Gemini 3.1 Pro، نقطة انعطاف في السباق سريع التكثيف لبناء أنظمة الذكاء الاصطناعي التي يمكنها إجراء هذا النوع من الأبحاث الشاملة ومتعددة المصادر بشكل مستقل والتي كانت تستهلك تقليديًا ساعات أو أيامًا من وقت المحلل البشري. كما يمثل جوجل",
            "body_ar": "كشفت Google يوم الاثنين عن أهم ترقية لقدرات وكيل الأبحاث المستقل منذ ظهور المنتج لأول مرة، حيث أطلقت وكيلين جديدين - Deep Research و Deep Research Max - اللذان يسمحان لأول مرة للمطورين بدمج بيانات الويب المفتوحة مع معلومات المؤسسة الخاصة من خلال استدعاء API واحد، وإنتاج مخططات ورسوم بيانية أصلية داخل التقارير البحثية، والاتصال بمصادر بيانات خارجية عشوائية من خلال بروتوكول السياق النموذجي (MCP). يمثل الإصدار، المبني على نموذج Google Gemini 3.1 Pro، نقطة انعطاف في السباق سريع التكثيف لبناء أنظمة الذكاء الاصطناعي التي يمكنها إجراء هذا النوع من الأبحاث الشاملة ومتعددة المصادر بشكل مستقل والتي كانت تستهلك تقليديًا ساعات أو أيامًا من وقت المحلل البشري. كما أنه يمثل أوضح محاولة من Google حتى الآن لوضع البنية التحتية للذكاء الاصطناعي الخاصة بها باعتبارها العمود الفقري لسير عمل أبحاث المؤسسات في مجالات التمويل وعلوم الحياة وذكاء السوق - وهي الصناعات التي تكون فيها مخاطر الحصول على معلومات خاطئة عالية للغاية. \"نحن نطلق تحديثين قويين لـ Deep Research في Gemini API، الآن بجودة أفضل، ودعم MCP، وتوليد المخططات\/الرسوم البيانية الأصلية،\" كتب الرئيس التنفيذي لشركة Google Sundar Pichai على X. \"استخدم Deep Research عندما تريد السرعة والكفاءة، واستخدم Max عندما تريد تجميع السياق وتوليفه بأعلى جودة باستخدام حساب وقت الاختبار الممتد - حقق 93.3% على DeepSearchQA و54.6% على HLE.\" يتوفر كلا الوكيلين بدءًا من اليوم في المعاينة العامة عبر المستويات المدفوعة لواجهة برمجة تطبيقات Gemini، والتي يمكن الوصول إليها من خلال Interactions API التي قدمتها Google لأول مرة في ديسمبر 2025. لماذا قامت Google ببناء وكيلين بحثيين بدلاً من واحد؟ يقدم الإطلاق بنية متدرجة تعكس توترًا أساسيًا في تصميم وكيل الذكاء الاصطناعي: المفاضلة بين السرعة والدقة. تحل الطبقة القياسية Deep Research محل وكيل المعاينة الذي تم إصداره من Google في ديسمبر، وتم تحسينه لحالات الاستخدام التفاعلي ذات زمن الوصول المنخفض. إنه يقدم ما تصفه Google بأنه زمن وصول وتكلفة أقل بشكل كبير بمستويات جودة أعلى مقارنة بسابقه. تضعها الشركة على أنها مثالية للتطبيقات التي يرغب فيها المطور في دمج إمكانات البحث مباشرة في واجهة تواجه المستخدم - فكر في لوحة معلومات مالية يمكنها الإجابة على الأسئلة التحليلية المعقدة في الوقت الفعلي تقريبًا. يحتل Deep Research Max الطرف الآخر من الطيف. إنه يستفيد من حساب وقت الاختبار الممتد - وهي تقنية حيث يقضي النموذج المزيد من الدورات الحسابية بشكل متكرر في التفكير والبحث وتحسين مخرجاته قبل تسليم التقرير النهائي. صممته Google لسير عمل غير متزامن في الخلفية: نوع المهمة التي يبدأ فيها فريق المحللين مجموعة من تقارير العناية الواجبة قبل مغادرة المكتب ويتوقع تحليلات شاملة من مصادر كاملة في انتظارهم في صباح اليوم التالي. وضع فريق Google DeepMind التمييز على X: \"البحث العميق: مُحسّن للسرعة والكفاءة. مثالي للتطبيقات التفاعلية التي تحتاج إلى استجابات أسرع. Deep Research Max: يستخدم وقتًا إضافيًا للبحث والتفكير. مثالي لتجميع السياق الشامل والمهام التي تحدث في الخلفية.\" \"كان Deep Research هو أول وكيل مستضاف لدينا في واجهة برمجة التطبيقات (API) وقد اكتسب قدرًا كبيرًا من الاهتمام على مدار الأشهر الثلاثة الماضية، وأنا متحمس جدًا للأشخاص لاختبار الوكلاء الجدد وجميع التحسينات، وهذه مجرد بداية لرحلة وكلائنا،\" كتب لوجان كيلباتريك، الذي يقود علاقات المطورين لجهود Google في مجال الذكاء الاصطناعي، على X. يتيح دعم MCP للوكلاء الاستفادة من بيانات المؤسسة الخاصة لأول مرة ولعل الميزة الأكثر أهمية في إصدار اليوم هي إضافة دعم بروتوكول السياق النموذجي، الذي يحول البحث العميق من أداة بحث ويب متطورة إلى شيء يشبه إلى حد كبير محلل بيانات عالمي. يسمح MCP، وهو معيار مفتوح ناشئ لربط نماذج الذكاء الاصطناعي بمصادر البيانات الخارجية، لـ Deep Research بالاستعلام بشكل آمن عن قواعد البيانات الخاصة ومستودعات المستندات الداخلية وخدمات بيانات الطرف الثالث المتخصصة - كل ذلك دون الحاجة إلى معلومات حساسة لمغادرة بيئة المصدر الخاصة بها. من الناحية العملية، يعني هذا أن صندوق التحوط يمكنه توجيه Deep Research إلى قاعدة بيانات تدفق الصفقات الداخلية ومحطة البيانات المالية في وقت واحد، ثم يطلب من الوكيل تجميع الرؤى من كليهما إلى جانب المعلومات المتاحة للجمهور من الويب. كشفت جوجل أنها تتعاون بنشاط مع FactSet وS&P وPitchBook في تصميمات خادم MCP الخاصة بهم، وهي إشارة إلى أن الشركة تسعى إلى تحقيق تكامل عميق مع موفري البيانات الذين تعتمد عليهم وول ستريت وصناعة الخدمات المالية الأوسع بالفعل يوميًا. الهدف، وفقًا لمنشور المدونة الذي كتبه مديرا منتجات Google DeepMind، Lukas Haas وSrinivas Tadepalli، هو \"السماح للعملاء المشتركين بدمج عروض البيانات المالية في سير العمل المدعوم من Deep Research، وتمكينهم من تحقيق قفزة في الإنتاجية من خلال جمع السياق باستخدام عوالم البيانات الشاملة الخاصة بهم بسرعة البرق.\" يعالج هذا إحدى نقاط الضعف الأكثر استمرارًا في اعتماد الذكاء الاصطناعي للمؤسسات: الفجوة بين ما يمكن أن يجده النموذج على الإنترنت المفتوح وما يمكن أن يجده النموذج على الإنترنت المفتوح ما تحتاجه المنظمة فعليًا لاتخاذ القرارات. وحتى الآن، كان سد هذه الفجوة يتطلب هندسة مخصصة كبيرة. يؤدي دعم MCP، جنبًا إلى جنب مع إمكانات التصفح والاستدلال المستقلة الخاصة بـ Deep Research، إلى انهيار الكثير من هذا التعقيد في خطوة التكوين. يمكن للمطورين الآن إجراء بحث عميق باستخدام بحث Google، وخوادم MCP عن بعد، وسياق عنوان URL، وتنفيذ التعليمات البرمجية، والبحث عن الملفات في وقت واحد - أو إيقاف الوصول إلى الويب بالكامل للبحث حصريًا في البيانات المخصصة. يقبل النظام أيضًا المدخلات متعددة الوسائط بما في ذلك ملفات PDF وملفات CSV والصور والصوت والفيديو كسياق أساسي. تعمل المخططات والرسوم البيانية الأصلية على تحويل تقارير الذكاء الاصطناعي إلى نتائج جاهزة لأصحاب المصلحة. الميزة الرئيسية الثانية - إنشاء المخططات والرسوم البيانية الأصلية - قد تبدو تدريجية، ولكنها تعالج قيدًا عمليًا أدى إلى تقييد فائدة مخرجات الأبحاث التي يولدها الذكاء الاصطناعي في البيئات المهنية. أنتجت الإصدارات السابقة من Deep Research تقارير نصية فقط. كان على المستخدمين الذين يحتاجون إلى تصورات أن يقوموا بتصدير البيانات وإنشاء الرسوم البيانية بأنفسهم، وهي نقطة احتكاك قوضت الوعد بالأتمتة الشاملة. يقوم الوكلاء الجدد بإنشاء مخططات ورسوم بيانية عالية الجودة مضمنة في تقاريرهم، ويتم تقديمها بتنسيق HTML أو بتنسيق Nano Banana من Google، مما يؤدي إلى تصور مجموعات البيانات المعقدة ديناميكيًا كجزء من السرد التحليلي. \"يقوم الوكيل بإنشاء مخططات HTML ورسوم بيانية مضمنة مع التقرير. وليس لقطات شاشة. ليست اقتراحات \"لتصور هذه البيانات\". \"المخططات الفعلية المقدمة داخل مخرجات تخفيض السعر\"، أشار معلق الذكاء الاصطناعي شروتي ميشرا على X، مجسدًا الأهمية العملية للتغيير. بالنسبة لمستخدمي المؤسسات - وخاصة العاملين في مجال التمويل والاستشارات الذين يحتاجون إلى إنتاج مخرجات جاهزة لأصحاب المصلحة - يؤدي هذا إلى تحويل Deep Research من أداة تعمل على تسريع مرحلة البحث إلى أداة يمكن أن تنتج منتجات تحليلية شبه نهائية. بالإضافة إلى ميزة التخطيط التعاوني الجديدة التي تتيح للمستخدمين مراجعة وتوجيه وتحسين خطة بحث الوكيل قبل التنفيذ، والتدفق في الوقت الفعلي لخطوات التفكير الوسيطة، يمنح النظام المطورين تحكمًا دقيقًا في نطاق التحقيق مع الحفاظ على الشفافية التي تتطلبها الصناعات المنظمة. كيف تطورت Deep Research من ميزة chatbot للمستهلك إلى البنية التحتية للنظام الأساسي للمؤسسة، يبلور إصدار اليوم سردًا استراتيجيًا كانت Google تبنيه منذ أشهر: إن Deep Research ليس مجرد ميزة للمستهلك ولكنه جزء من البنية التحتية التي تدعم العديد من منتجات Google ويتم تقديمها الآن للمطورين الخارجيين كمنصة. يشير منشور المدونة بوضوح إلى أنه عندما يقوم المطورون بالإنشاء باستخدام وكيل Deep Research، فإنهم يستفيدون من \"نفس البنية التحتية البحثية المستقلة التي تدعم قدرات البحث داخل بعض منتجات Google الأكثر شيوعًا مثل Gemini App وNotebookLM وGoogle Search وGoogle Finance\". يشير هذا إلى أن الوكيل المتاح من خلال واجهة برمجة التطبيقات ليس نسخة مجردة مما تستخدمه Google داخليًا، ولكنه نفس النظام، الذي يتم تقديمه على نطاق النظام الأساسي. وكانت الرحلة إلى هذه النقطة سريعة بشكل ملحوظ. قدمت Google لأول مرة ميزة Deep Research كميزة استهلاكية في تطبيق Gemini في ديسمبر 2024، والتي كانت مدعومة في البداية بواسطة Gemini 1.5 Pro. في ذلك الوقت، وصفته الشركة بأنه مساعد أبحاث شخصي يعمل بالذكاء الاصطناعي ويمكنه توفير ساعات للمستخدمين من خلال تجميع معلومات الويب في دقائق. بحلول مارس 2025، قامت Google بترقية Deep Research باستخدام Gemini 2.0 Flash Thinking Experimental وجعلته متاحًا لأي شخص لتجربته. ثم جاءت الترقية إلى Gemini 2.5 Pro Experimental، حيث أفادت Google أن المُقيّمين يفضلون تقاريرها على مقدمي الأبحاث العميقة المتنافسين بهامش يزيد عن 2 إلى 1. كان إصدار ديسمبر 2025 بمثابة محور وصول المطورين، عندما أطلقت Google واجهة برمجة تطبيقات Interactions وجعلت Deep Research متاحًا برمجيًا لأول مرة، مدعومًا بـ Gemini 3 Pro ومصحوبًا بمعيار DeepSearchQA مفتوح المصدر. النموذج الأساسي الذي يقود التحسينات اليوم هو Gemini 3.1 Pro، الذي أطلقته Google في 19 فبراير 2026. ويمثل هذا النموذج قفزة كبيرة في التفكير الأساسي: في ARC-AGI-2، وهو معيار يقيّم قدرة النموذج على حل أنماط منطقية جديدة، سجل 3.1 Pro 77.1% - أي أكثر من ضعف أداء Gemini 3 Pro. يرث Deep Research Max هذا الأساس المنطقي ويضع فوقه سلوكيات بحثية مستقلة، محققًا 93.3% في DeepSearchQA (ارتفاعًا من 66.1% في ديسمبر) و54.6% في الاختبار الأخير للإنسانية (ارتفاعًا من 46.4%). تواجه Google مجالًا مزدحمًا بالمنافسين الذين يبنون وكلاء أبحاث مستقلين، ولا تعمل Google في فراغ. ويأتي الإطلاق وسط منافسة شديدة في مجال وكيل الأبحاث المستقل. تعمل OpenAI على تطوير قدرات الوكيل الخاصة بها داخل ChatGPT تحت الاسم الرمزي Hermes، والتي تتضمن منشئ الوكيل والقوالب والجدولة وتكامل Slack، وفقًا للتقارير المتداولة على وسائل التواصل الاجتماعي. قامت شركة Perplexity ببناء أعمالها حول الأبحاث التي تعمل بالذكاء الاصطناعي. ويهاجم النظام البيئي المتنامي للشركات الناشئة شرائح مختلفة من سير عمل البحث الآلي. ما يميز منهج Google هو الجمع بين البنية التحتية للبحث الخاصة بها - والتي تمنح Deep Research إمكانية الوصول إلى أوسع وأحدث فهرس لمعلومات الويب المتاحة - مع الاتصال القائم على MCP بمصادر بيانات المؤسسة. لا توجد شركة أخرى تقدم حاليًا وكيل أبحاث يمكنه الاستعلام في نفس الوقت عن الويب المفتوح على نطاق بحث Google والتنقل في مستودعات البيانات الخاصة من خلال بروتوكول موحد. يشير هيكل التسعير أيضًا إلى نية Google في تحفيز الاعتماد: وفقًا لـ Sim.ai، الذي يتتبع تسعير النماذج، تم تسعير وكيل Deep Research في معاينة ديسمبر بمبلغ 2 دولار لكل مليون رمز مميز للإدخال و2 دولار لكل مليون رمز مميز للمخرجات مع نافذة سياق مليون رمز مميز - مما يجعله تنافسيًا من حيث التكلفة لحجم مخرجات البحث التي يولدها. ومع ذلك، لم يستقبل الجميع هذا الإعلان بحماس خالص. لاحظ العديد من مستخدمي X أن الوكلاء الجدد متاحون فقط من خلال واجهة برمجة التطبيقات (API)، وليس في تطبيق Gemini Consumer. لاحظ موقع TestingCatalog News: \"ليس موجودًا في تطبيق Gemini\"، بينما كتب مستخدم آخر: \"تستمر Google في معاقبة مشتركي Gemini App Pro لسبب ما\". أثار آخرون مخاوف بشأن عرض النتائج المعيارية، حيث جادل أحد المستخدمين بأن مخططات Google قد تكون \"مضللة\" في كيفية تمثيلها للنسبة المئوية للتحسينات. وتشير هذه الشكاوى إلى توتر أوسع نطاقا في استراتيجية الذكاء الاصطناعي التي تنتهجها جوجل: حيث تقوم الشركة بشكل متزايد بتوجيه قدراتها الأكثر تقدما نحو المطورين وعملاء المؤسسات الذين يصلون إليها من خلال واجهات برمجة التطبيقات، في حين تتخلف المنتجات التي تواجه المستهلك في بعض الأحيان. ماذا يعني Deep Research Max بالنسبة للتمويل والتكنولوجيا الحيوية ومستقبل العمل المعرفي؟ تظهر الآثار العملية لإطلاق اليوم بشكل فوري في الصناعات التي تعتمد على الأبحاث الشاملة ومتعددة المصادر كوظيفة عمل أساسية. في الخدمات المالية، حيث يقضي المحللون بشكل روتيني ساعات في تجميع تقارير العناية الواجبة من مصادر متفرقة - ملفات SEC، ونصوص الأرباح، ومحطات بيانات السوق، ومذكرات الصفقات الداخلية - يوفر Deep Research Max إمكانية أتمتة مرحلة البحث الأولية بالكامل. تشير شراكات FactSet وS&P وPitchBook إلى أن Google جادة في جعل هذا الأمر ينجح مع البنية التحتية للبيانات التي يستخدمها المتخصصون الماليون بالفعل. في علوم الحياة، يشير منشور المدونة إلى أن Google تعاونت مع Axiom Bio، التي تبني أنظمة الذكاء الاصطناعي للتنبؤ بسمية الدواء، ووجدت أن Deep Research قد فتح مستويات جديدة من عمق البحث الأولي عبر الأدبيات الطبية الحيوية. في أبحاث السوق والاستشارات، يمكن أن تؤدي القدرة على إنتاج تقارير جاهزة لأصحاب المصلحة باستخدام تصورات مضمنة واستشهادات دقيقة إلى ضغط الجداول الزمنية للمشروع من أيام إلى ساعات. والسؤال الرئيسي هو ما إذا كانت جودة وموثوقية هذه المخرجات الآلية ستفي بالمعايير التي يطلبها المحترفون في هذه المجالات. إن الأرقام القياسية التي تقدمها شركة جوجل مثيرة للإعجاب، ولكن هذه المعايير تقيس الأداء في المهام الموحدة ـ فالأبحاث في العالم الحقيقي أكثر فوضوية، وأكثر غموضاً، وتتطلب في كثير من الأحيان ذلك النوع من الحكم الذي يظل من الصعب تشغيله آلياً. يتوفر Deep Research وDeep Research Max الآن في المعاينة العامة عبر المستويات المدفوعة لواجهة برمجة تطبيقات Gemini، مع توفرهما على Google Cloud للشركات الناشئة والمؤسسات قريبًا. قبل ثمانية عشر شهرًا، كانت ميزة Deep Research عبارة عن ميزة ساعدت طلاب الدراسات العليا على تجنب الغرق في علامات تبويب المتصفح. واليوم، تراهن شركة جوجل على قدرتها على استبدال الوردية الأولى في أحد البنوك الاستثمارية. إن المسافة بين هذين الطموحين - وما إذا كانت التكنولوجيا قادرة بالفعل على تقريب المسافة بينهما - ستحدد ما إذا كان وكلاء البحث المستقلون سيصبحون فئة تحويلية لبرامج المؤسسات أو مجرد عرض توضيحي آخر للذكاء الاصطناعي يبهر بالمعايير ويخيب الآمال في المؤتمر غرفة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/vercel-breach-exposes-the-oauth-gap-most-security-teams-cannot-detect-scope-or-contain",
            "title_en": "Vercel breach exposes the OAuth gap most security teams cannot detect, scope or contain",
            "summary_en": "One employee at Vercel adopted an AI tool. One employee at that AI vendor got hit with an infostealer. That combination created a walk-in path to Vercel’s production environments through an OAuth grant that nobody had reviewed. Vercel, the cloud platform behind Next.js and its millions of weekly npm downloads, confirmed on Sunday that attackers gained unauthorized access to internal systems. Mandiant was brought in. Law enforcement was notified. Investigations remain active. An update on Monday confirmed that Vercel collaborated with GitHub, Microsoft, npm, and Socket to verify that no Vercel npm packages were compromised. Vercel also announced it is now defaulting environment variable creation to “sensitive.” Next.js, Turbopack, AI SDK, and all Vercel-published npm packages remain uncompr",
            "body_en": "One employee at Vercel adopted an AI tool. One employee at that AI vendor got hit with an infostealer. That combination created a walk-in path to Vercel’s production environments through an OAuth grant that nobody had reviewed. Vercel, the cloud platform behind Next.js and its millions of weekly npm downloads, confirmed on Sunday that attackers gained unauthorized access to internal systems. Mandiant was brought in. Law enforcement was notified. Investigations remain active. An update on Monday confirmed that Vercel collaborated with GitHub, Microsoft, npm, and Socket to verify that no Vercel npm packages were compromised. Vercel also announced it is now defaulting environment variable creation to “sensitive.” Next.js, Turbopack, AI SDK, and all Vercel-published npm packages remain uncompromised after a coordinated audit with GitHub, Microsoft, npm, and Socket. Context.ai was the entry point. OX Security’s analysis found that a Vercel employee installed the Context.ai browser extension and signed into it using a corporate Google Workspace account, granting broad OAuth permissions. When Context.ai was breached, the attacker inherited that employee’s Workspace access, pivoted into Vercel environments, and escalated privileges by sifting through environment variables not marked as “sensitive.” Vercel’s bulletin states that variables marked sensitive are stored in a manner that prevents them from being read. Variables without that designation were accessible in plaintext through the dashboard and API, and the attacker used them as the escalation path. CEO Guillermo Rauch described the attacker as “highly sophisticated and, I strongly suspect, significantly accelerated by AI.” Jaime Blasco, CTO of Nudge Security, independently surfaced a second OAuth grant tied to Context.ai’s Chrome extension, matching the client ID from Vercel’s published IOC to Context.ai’s Google account before Rauch’s public statement. The Hacker News reported that Google removed Context.ai’s Chrome extension from the Chrome Web Store on March 27. Per The Hacker News and Nudge Security, that extension embedded a second OAuth grant enabling read access to users’ Google Drive files. Patient zero. A Roblox cheat and a Lumma Stealer infection Hudson Rock published forensic evidence on Monday, reporting that the breach origin traces to a February 2026 Lumma Stealer infection on a Context.ai employee’s machine. According to Hudson Rock, browser history showed the employee downloading Roblox auto-farm scripts and game exploit executors. Harvested credentials included Google Workspace logins, Supabase keys, Datadog tokens, Authkit credentials, and the support@context.ai account. Hudson Rock identified the infected user as a core member of “context-inc,” Context.ai’s tenant on the Vercel platform, with administrative access to production environment variable dashboards. Context.ai published its own bulletin on Sunday (updated Monday), disclosing that the breach affects its deprecated AI Office Suite consumer product, not its enterprise Bedrock offering (Context.ai’s agent infrastructure product, unrelated to AWS Bedrock). Context.ai says it detected unauthorized access to its AWS environment in March, hired CrowdStrike to investigate, and shut down the environment. Its updated bulletin then disclosed that the scope was broader than initially understood: the attacker also compromised OAuth tokens for consumer users, and one of those tokens opened the door to Vercel’s Google Workspace. Dwell time is the detail that should concern security directors. Nearly a month separated Context.ai’s March detection from the Vercel disclosure on Sunday. A separate Trend Micro analysis references an intrusion beginning as early as June 2024 — a finding that, if confirmed, would extend the dwell time to roughly 22 months. VentureBeat could not independently reconcile that timeline with Hudson Rock's February 2026 dating; Trend Micro did not respond to a request for comment before publication. Where detection goes blind Security directors can use this table to benchmark their own detection stack against the four-hop kill chain this breach exploited. Kill Chain Hop What Happened Who Should Detect Typical Coverage Gap 1. Infostealer on employee device Context.ai employee downloaded Roblox cheat scripts; Lumma Stealer harvested Workspace creds, Supabase\/Datadog\/Authkit keys. EDR on endpoint; credential exposure monitoring. Low. Device likely under-monitored. No stealer log monitoring at most orgs. Most enterprises do not subscribe to infostealer intelligence feeds or correlate stealer logs against employee email domains. 2. AWS compromise at Context.ai Attacker used harvested credentials to access Context.ai’s AWS. Detected in March. Context.ai cloud security; AWS CloudTrail. Partially detected. Context.ai stopped AWS access but missed OAuth token exfiltration. Initial investigation did not identify OAuth token exfiltration. Scope was underestimated until Vercel disclosure. 3. OAuth token theft into Vercel Workspace Compromised OAuth token used to access a Vercel employee’s Google Workspace. Employee had granted “Allow All” permissions via Chrome extension. Google Workspace audit logs; OAuth app monitoring; CASB. Very low. Most orgs do not monitor third-party OAuth token usage patterns. No approval workflow intercepted the grant. No anomaly detection on OAuth token use from a compromised third party. This is the hop no one saw. 4. Lateral movement into Vercel production Attacker enumerated non-sensitive env vars (accessible via dashboard\/API), harvested customer credentials. Vercel platform audit logs; behavioral analytics. Moderate. Vercel detected the intrusion after the attacker accessed customer credentials. Detection occurred after exfiltration, not before. Env var access by a compromised Workspace account did not trigger real-time alerting. What’s confirmed vs. what’s claimed Vercel’s bulletin confirms unauthorized access to internal systems, a limited subset of affected customers, and two IOCs tied to Context.ai’s Google Workspace OAuth apps. Rauch confirmed that Next.js, Turbopack, and Vercel’s open-source projects are unaffected. Separately, a threat actor using the ShinyHunters name posted on BreachForums claiming to hold Vercel’s internal database, employee accounts, and GitHub and NPM tokens, with a $2M asking price. Austin Larsen, principal threat analyst at Google Threat Intelligence, assessed the claimant as “likely an imposter.” Actors previously linked to ShinyHunters have denied involvement. None of these claims has been independently verified. Six governance failures the Vercel breach exposed 1. AI tool OAuth scopes go unaudited. Context.ai’s own bulletin states that a Vercel employee granted “Allow All” permissions using a corporate account. Most security teams have no inventory of which AI tools their employees have granted OAuth access to. CrowdStrike CTO Elia Zaitsev put it bluntly at RSAC 2026: “Don’t give an agent access to everything just because you’re lazy. Give it access to only what it needs to get the job done.” Jeff Pollard, VP and principal analyst at Forrester, told Cybersecurity Dive that the attack is a reminder about third-party risk management concerns and AI tool permissions . 2. Environment variable classification is doing real security work. Vercel distinguishes between variables marked “sensitive” (stored in a manner that prevents reading) and those without that designation (accessible in plaintext through the dashboard and API). Attackers used the accessible variables as the escalation path. A developer convenience toggle determined the blast radius. Vercel has since changed its default: new environment variables now default to sensitive. “Modern controls get deployed, but if legacy tokens or keys aren’t retired, the system quietly favors them,” Merritt Baer, CSO at Enkrypt AI and former Deputy CISO at AWS, told VentureBeat. 3. Infostealer-to-SaaS-to-supply-chain escalation chains lack detection coverage. Hudson Rock’s reporting reveals a kill chain that crossed four organizational boundaries. No single detection layer covers that chain. Context.ai’s updated bulletin acknowledged that the scope extended beyond what was initially identified during its CrowdStrike-led investigation. 4. Dwell time between vendor detection and customer notification exceeds attacker timelines. Context.ai detected the AWS compromise in March. Vercel disclosed on Sunday. Every CISO should ask their vendors: what is your contractual notification window after detecting unauthorized access that could affect downstream customers? 5. Third-party AI tools are the new shadow IT. Vercel’s bulletin describes Context.ai as “a small, third-party AI tool.” Grip Security’s March 2026 analysis of 23,000 SaaS environments found a 490% year-over-year increase in AI-related attacks. Vercel is the latest enterprise to learn this the hard way. 6. AI-accelerated attackers compress response timelines. Rauch’s assessment of AI acceleration comes from what his IR team observed. CrowdStrike’s 2026 Global Threat Report puts the baseline at a 29-minute average eCrime breakout time, 65% faster than 2024. Security director action plan Attack Surface What Failed Recommended Action Owner OAuth governance Context.ai held broad “Allow All” Workspace permissions. No approval workflow intercepted. Inventory every AI tool OAuth grant org-wide. Revoke scopes exceeding least privilege. Check both Vercel IOCs now. Identity \/ IAM Env var classification Variables not marked “sensitive” remained accessible. Accessibility became the escalation path. Default to non-readable. Require a security sign-off to downgrade any variable to accessible. Platform eng + security Infostealer-to-supply-chain Kill chain spanned Lumma Stealer, Context.ai AWS, OAuth tokens, Vercel Workspace, and production environments. Correlate Infostealer intel feeds against employee domains. Automate credential rotation when creds surface in stealer logs. Threat intel + SOC Vendor notification lag Nearly a month between Context.ai detection and Vercel disclosure. Require 72-hour notification clauses in all contracts involving OAuth or identity integration. Third-party risk \/ legal Shadow AI adoption One employee’s unapproved AI tool became the breach vector for hundreds of orgs. Extend shadow IT discovery to AI agent platforms. Treat unapproved adoption as a security event. Security ops + procurement Lateral movement speed Rauch suspects AI acceleration. Attacker compressed the access-to-escalation window. Cut detection-to-containment SLAs below 29-minute eCrime average. SOC + IR team Run both IoC checks today Search your Google Workspace admin console (Security > API Controls > Manage Third-Party App Access) for two OAuth App IDs. The first is 110671459871-30f1spbu0hptbs60cb4vsmv79i7bbvqj.apps.googleusercontent.com, tied to Context.ai’s Office Suite. The second is 110671459871-f3cq3okebd3jcg1lllmroqejdbka8cqq.apps.googleusercontent.com, tied to Context.ai’s Chrome extension and granting Google Drive read access. If either touched your environment, you are in the blast radius regardless of what Vercel discloses next. What this means for security directors Forget the Vercel brand name for a moment. What happened here is the first major proof case that AI agent OAuth integrations create a breach class that most enterprise security programs cannot detect, scope, or contain. A Roblox cheat download in February led to production infrastructure access in April. Four organizational boundaries, two cloud providers, and one identity perimeter. No zero-day required. For most enterprises, employees have connected AI tools to corporate Google Workspace, Microsoft 365 or Slack instances with broad OAuth scopes — without security teams knowing. The Vercel breach is the case study for what that exposure looks like when an attacker finds it first.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6wgHVXn6N3biFNjGQrW3dM\/05683cce2c54c5658a779c71e09887df\/Vercel_breach.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/vercel-breach-exposes-the-oauth-gap-most-security-teams-cannot-detect-scope-or-contain",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يكشف اختراق Vercel عن فجوة OAuth التي لا تستطيع معظم فرق الأمان اكتشافها أو نطاقها أو احتوائها",
            "summary_ar": "اعتمد أحد الموظفين في Vercel أداة الذكاء الاصطناعي. تعرض أحد الموظفين في بائع الذكاء الاصطناعي هذا للضرب من قبل أحد سارقي المعلومات. أدى هذا المزيج إلى إنشاء مسار مباشر لبيئات إنتاج Vercel من خلال منحة OAuth التي لم يراجعها أحد. أكدت Vercel، المنصة السحابية وراء Next.js وملايين التنزيلات الأسبوعية لـ npm، يوم الأحد أن المهاجمين حصلوا على وصول غير مصرح به إلى الأنظمة الداخلية. تم إحضار مانديانت. وتم إخطار تطبيق القانون. التحقيقات لا تزال نشطة. أكد تحديث يوم الاثنين أن Vercel تعاونت مع GitHub وMicrosoft وnpm وSocket للتحقق من عدم تعرض أي حزم Vercel npm للاختراق. أعلنت شركة Vercel أيضًا أنها تقوم الآن بتعيين إنشاء متغير البيئة بشكل افتراضي على \"حساس\". تظل Next.js وTurbopack وAI SDK وجميع حزم npm المنشورة من Vercel موجودة uncompr",
            "body_ar": "اعتمد أحد الموظفين في Vercel أداة الذكاء الاصطناعي. تعرض أحد الموظفين في بائع الذكاء الاصطناعي هذا للضرب من قبل أحد سارقي المعلومات. أدى هذا المزيج إلى إنشاء مسار مباشر لبيئات إنتاج Vercel من خلال منحة OAuth التي لم يراجعها أحد. أكدت Vercel، المنصة السحابية وراء Next.js وملايين التنزيلات الأسبوعية لـ npm، يوم الأحد أن المهاجمين حصلوا على وصول غير مصرح به إلى الأنظمة الداخلية. تم إحضار مانديانت. وتم إخطار تطبيق القانون. التحقيقات لا تزال نشطة. أكد تحديث يوم الاثنين أن Vercel تعاونت مع GitHub وMicrosoft وnpm وSocket للتحقق من عدم تعرض أي حزم Vercel npm للاختراق. أعلنت شركة Vercel أيضًا أنها تقوم الآن بتعيين إنشاء متغير البيئة بشكل افتراضي على \"حساس\". تظل Next.js وTurbopack وAI SDK وجميع حزم npm المنشورة من Vercel سليمة دون أي تنازلات بعد التدقيق المنسق مع GitHub وMicrosoft وnpm وSocket. كان context.ai هو نقطة الدخول. وجد تحليل OX Security أن أحد موظفي Vercel قام بتثبيت ملحق متصفح context.ai وقام بتسجيل الدخول إليه باستخدام حساب Google Workspace للشركة، مما يمنح أذونات OAuth واسعة النطاق. عندما تم اختراق context.ai، ورث المهاجم إمكانية الوصول إلى مساحة العمل الخاصة بالموظف، وتحول إلى بيئات Vercel، وقام بتصعيد الامتيازات من خلال غربلة متغيرات البيئة التي لم يتم وضع علامة \"حساسة\" عليها. تنص نشرة Vercel على أن المتغيرات التي تحمل علامة حساسة يتم تخزينها بطريقة تمنع قراءتها. كان من الممكن الوصول إلى المتغيرات دون هذا التعيين في نص عادي من خلال لوحة المعلومات وواجهة برمجة التطبيقات (API)، واستخدمها المهاجم كمسار تصعيد. ووصف الرئيس التنفيذي غييرمو راوخ المهاجم بأنه \"متطور للغاية، وأعتقد بشدة أنه تم تسريعه بشكل كبير بواسطة الذكاء الاصطناعي\". كشف Jaime Blasco، CTO في Nudge Security، بشكل مستقل عن منحة OAuth ثانية مرتبطة بامتداد Chrome الخاص بـ context.ai، ومطابقة معرف العميل من IOC المنشور من Vercel إلى حساب Google الخاص بـ context.ai قبل بيان Rauch العام. ذكرت Hacker News أن Google أزالت ملحق Chrome الخاص بـ context.ai من متجر Chrome الإلكتروني في 27 مارس. وفقًا لـ The Hacker News وNudge Security، قام هذا الامتداد بتضمين منحة OAuth ثانية تتيح الوصول للقراءة إلى ملفات Google Drive الخاصة بالمستخدمين. المريض صفر غش Roblox وعدوى Lumma Stealer نشرت شركة Hudson Rock أدلة جنائية يوم الاثنين، تشير إلى أن أصل الاختراق يعود إلى عدوى Lumma Stealer في فبراير 2026 على جهاز موظف context.ai. وفقًا لـ Hudson Rock، أظهر سجل المتصفح أن الموظف قام بتنزيل البرامج النصية للمزرعة التلقائية لـ Roblox ومنفذي استغلال الألعاب. تضمنت بيانات الاعتماد التي تم جمعها تسجيلات الدخول إلى Google Workspace، ومفاتيح Supabase، ورموز Datadog المميزة، وبيانات اعتماد Authkit، وحساب support@context.ai. حددت شركة Hudson Rock المستخدم المصاب كعضو أساسي في شركة \"context-inc\"، المستأجرة لشركة context.ai على منصة Vercel، مع إمكانية الوصول الإداري إلى لوحات المعلومات المتغيرة لبيئة الإنتاج. نشرت context.ai نشرتها الخاصة يوم الأحد (تم تحديثها يوم الاثنين)، كاشفة أن الاختراق يؤثر على منتجها الاستهلاكي المهمل AI Office Suite، وليس عرض Bedrock الخاص بالمؤسسة (منتج البنية التحتية للوكيل الخاص بـ Context.ai، والذي لا علاقة له بـ AWS Bedrock). تقول شركة context.ai إنها اكتشفت وصولاً غير مصرح به إلى بيئة AWS الخاصة بها في مارس، واستأجرت CrowdStrike للتحقيق في البيئة وإغلاقها. كشفت نشرتها المحدثة بعد ذلك أن النطاق كان أوسع مما كان مفهومًا في البداية: فقد قام المهاجم أيضًا باختراق رموز OAuth المميزة للمستخدمين المستهلكين، وفتح أحد هذه الرموز المميزة الباب أمام Google Workspace الخاص بشركة Vercel. وقت المكوث هو التفاصيل التي يجب أن تهم مديري الأمن. ما يقرب من شهر يفصل بين اكتشاف context.ai لشهر مارس وكشف Vercel يوم الأحد. ويشير تحليل منفصل لشركة Trend Micro إلى حدوث عملية اقتحام في وقت مبكر من يونيو 2024، وهي نتيجة، إذا تم تأكيدها، ستمتد فترة المكوث إلى 22 شهرًا تقريبًا. لم يتمكن VentureBeat من التوفيق بشكل مستقل بين هذا الجدول الزمني ومواعدة Hudson Rock في فبراير 2026؛ ولم تستجب تريند مايكرو لطلب التعليق قبل النشر. حيث يصبح الاكتشاف أعمى يمكن لمديري الأمن استخدام هذا الجدول لقياس مجموعة الكشف الخاصة بهم مقابل سلسلة القتل المكونة من أربع قفزات التي استغلها هذا الاختراق. Kill Chain Hop ماذا حدث من يجب عليه اكتشاف فجوة التغطية النموذجية 1. قام موظف Infostealer على جهاز الموظف context.ai بتنزيل نصوص الغش الخاصة بـ Roblox؛ حصل Lumma Stealer على أرصدة مساحة العمل ومفاتيح Supabase\/Datadog\/Authkit. EDR على نقطة النهاية؛ مراقبة التعرض لبيانات الاعتماد. قليل. من المحتمل أن يكون الجهاز تحت المراقبة. لا توجد مراقبة لسجل السرقة في معظم المؤسسات. لا تشترك معظم المؤسسات في خلاصات معلومات سرقة المعلومات أو تربط سجلات السرقة بمجالات البريد الإلكتروني للموظفين. 2. اختراق AWS في context.ai استخدم المهاجم بيانات الاعتماد المجمعة للوصول إلى AWS الخاصة بـ context.ai. تم الكشف عنها في مارس. وأمن السحابة context.ai؛ أوس كلاود تريل. تم اكتشافه جزئيًا. أوقف context.ai الوصول إلى AWS لكنه فاته عملية استخراج رمز OAuth المميز. لم يحدد التحقيق الأولي عملية التسلل لرمز OAuth. تم التقليل من النطاق حتى الكشف عن Vercel. 3. سرقة رمز OAuth المميز إلى Vercel Workspace رمز OAuth المخترق المستخدم للوصول إلى Google Workspace الخاص بموظف Vercel. لقد منح الموظف أذونات \"السماح للجميع\" عبر ملحق Chrome. سجلات تدقيق Google Workspace؛ مراقبة تطبيق OAuth؛ CASB. منخفض جدًا. لا تراقب معظم المؤسسات أنماط استخدام رمز OAuth المميز لجهة خارجية. لم يعترض أي سير عمل للموافقة المنحة. لم يتم اكتشاف أي خلل في استخدام رمز OAuth المميز من جهة خارجية مخترقة. هذه هي القفزة التي لم يراها أحد. 4. الحركة الجانبية في إنتاج Vercel قام المهاجم بتعداد env vars غير الحساسة (يمكن الوصول إليها عبر لوحة المعلومات\/واجهة برمجة التطبيقات)، وحصد بيانات اعتماد العملاء. سجلات تدقيق منصة Vercel؛ التحليلات السلوكية. معتدل. اكتشف Vercel الاختراق بعد وصول المهاجم إلى بيانات اعتماد العميل. الكشف تم بعد التنقيط وليس قبله. لم يؤدي الوصول إلى Env var من خلال حساب Workspace المخترق إلى تشغيل التنبيهات في الوقت الفعلي. ما تم تأكيده مقابل. ما يُزعم أن نشرة Vercel تؤكد الوصول غير المصرح به إلى الأنظمة الداخلية، ومجموعة فرعية محدودة من العملاء المتأثرين، واثنين من بطاقات IOC المرتبطة بتطبيقات Google Workspace OAuth الخاصة بـ context.ai. وأكد راوخ أن مشاريع Next.js وTurbopack وVercel مفتوحة المصدر لم تتأثر. بشكل منفصل، تم نشر جهة تهديد تستخدم اسم ShinyHunters على BreachForums وتدعي أنها تمتلك قاعدة بيانات Vercel الداخلية وحسابات الموظفين ورموز GitHub وNPM، بسعر طلب قدره 2 مليون دولار. وقد قام أوستن لارسن، محلل التهديدات الرئيسي في Google Threat Intelligence، بتقييم المدعي على أنه \"محتال على الأرجح\". وقد نفى الممثلون المرتبطون سابقًا بـ ShinyHunters تورطهم. لم يتم التحقق من أي من هذه الادعاءات بشكل مستقل. ستة إخفاقات في الحوكمة كشف عنها خرق Vercel 1. لم يتم تدقيق نطاقات OAuth لأداة الذكاء الاصطناعي. تنص نشرة context.ai الخاصة على أن أحد موظفي Vercel منح أذونات \"السماح للجميع\" باستخدام حساب الشركة. لا تمتلك معظم فرق الأمان مخزونًا لأدوات الذكاء الاصطناعي التي منح موظفوها حق الوصول إلى OAuth. صرح إيليا زايتسيف، كبير مسؤولي التكنولوجيا في CrowdStrike، بصراحة في RSAC 2026: \"لا تمنح الوكيل حق الوصول إلى كل شيء لمجرد أنك كسول. امنحه حق الوصول إلى ما يحتاجه فقط لإنجاز المهمة.\" صرح جيف بولارد، نائب الرئيس والمحلل الرئيسي في شركة Forrester، لـ Cybersecurity Dive أن الهجوم يعد بمثابة تذكير بمخاوف إدارة مخاطر الطرف الثالث وأذونات أدوات الذكاء الاصطناعي. 2. يقوم تصنيف متغير البيئة بعمل أمني حقيقي. يميز Vercel بين المتغيرات التي تم وضع علامة \"حساسة\" عليها (المخزنة بطريقة تمنع القراءة) وتلك التي لا تحتوي على هذا التصنيف (يمكن الوصول إليها بنص عادي من خلال لوحة المعلومات وواجهة برمجة التطبيقات). استخدم المهاجمون المتغيرات التي يمكن الوصول إليها كمسار للتصعيد. حدد التبديل المناسب للمطور نصف قطر الانفجار. لقد قام Vercel منذ ذلك الحين بتغيير إعداداته الافتراضية: أصبحت متغيرات البيئة الجديدة الآن افتراضية إلى حساسة. قال ميريت باير، كبير مسؤولي الأمن في Enkrypt AI والنائب السابق لرئيس أمن المعلومات في AWS، لـ VentureBeat: \"يتم نشر عناصر التحكم الحديثة، ولكن إذا لم يتم سحب الرموز المميزة أو المفاتيح القديمة، فإن النظام يفضلها بهدوء\". 3. تفتقر سلاسل التصعيد من Infostealer إلى SaaS إلى سلسلة التوريد إلى تغطية الكشف. تكشف تقارير هدسون روك عن سلسلة قتل تجاوزت أربعة حدود تنظيمية. لا توجد طبقة كشف واحدة تغطي تلك السلسلة. أقرت نشرة context.ai المحدثة بأن النطاق امتد إلى ما هو أبعد مما تم تحديده في البداية خلال التحقيق الذي أجرته CrowdStrike. 4. الوقت الفاصل بين اكتشاف البائع وإخطار العميل يتجاوز الجداول الزمنية للمهاجم. اكتشف context.ai اختراق AWS في مارس. تم الكشف عن Vercel يوم الأحد. يجب على كل كبير مسؤولي أمن المعلومات (CISO) أن يسأل البائعين الذين يتعاملون معه: ما هي نافذة الإشعارات التعاقدية الخاصة بك بعد اكتشاف الوصول غير المصرح به الذي قد يؤثر على العملاء النهائيين؟ 5. أدوات الذكاء الاصطناعي التابعة لجهات خارجية هي تكنولوجيا معلومات الظل الجديدة. تصف نشرة Vercel context.ai بأنها \"أداة ذكاء اصطناعي صغيرة تابعة لجهة خارجية\". وجد تحليل Grip Security في مارس 2026 لـ 23000 بيئة SaaS زيادة بنسبة 490% على أساس سنوي في الهجمات المرتبطة بالذكاء الاصطناعي. Vercel هي أحدث مؤسسة تتعلم هذا بالطريقة الصعبة. 6. يقوم المهاجمون المعتمدون على الذكاء الاصطناعي بضغط الجداول الزمنية للاستجابة. يأتي تقييم راوخ لتسريع الذكاء الاصطناعي من ما لاحظه فريق الأشعة تحت الحمراء لديه. يضع تقرير التهديد العالمي لعام 2026 الصادر عن CrowdStrike خط الأساس عند متوسط ​​وقت اختراق eCrime يبلغ 29 دقيقة، أي أسرع بنسبة 65% من عام 2024. خطة عمل مدير الأمن، سطح الهجوم، ما فشل، الإجراء الموصى به، مالك OAuth، حوكمة، context.ai، يحمل أذونات واسعة النطاق لمساحة العمل \"السماح للجميع\". لم يتم اعتراض سير عمل الموافقة. جرد كل أداة من أدوات الذكاء الاصطناعي التي تمنحها OAuth على مستوى المؤسسة. إبطال النطاقات التي تتجاوز الامتيازات الأقل. تحقق من كلا Vercel IOCs الآن. الهوية \/ IAM Env varتصنيف المتغيرات التي لم يتم وضع علامة \"حساسة\" عليها ظلت قابلة للوصول. أصبحت إمكانية الوصول هي مسار التصعيد. الافتراضي إلى غير قابل للقراءة. يتطلب تسجيل خروج أمني للرجوع إلى أي متغير يمكن الوصول إليه. هندسة النظام الأساسي + الأمان Infostealer-to-supply-chain امتدت سلسلة القتل إلى Lumma Stealer وContext.ai AWS ورموز OAuth وVercel Workspace وبيئات الإنتاج. ربط خلاصات Infostealer intel بنطاقات الموظفين. أتمتة تدوير بيانات الاعتماد عندما تظهر الاعتمادات في سجلات السرقة. إنتل التهديد + SOC تأخر إشعار البائع لمدة شهر تقريبًا بين اكتشاف context.ai وكشف Vercel. اشتراط شروط الإخطار لمدة 72 ساعة في جميع العقود التي تتضمن OAuth أو تكامل الهوية. مخاطر الطرف الثالث \/ الاعتماد القانوني لذكاء الاصطناعي الظلي أصبحت أداة الذكاء الاصطناعي غير المعتمدة لأحد الموظفين بمثابة ناقل الاختراق لمئات المؤسسات. توسيع نطاق اكتشاف تكنولوجيا المعلومات الظلية ليشمل منصات وكيل الذكاء الاصطناعي. التعامل مع التبني غير المعتمد كحدث أمني. العمليات الأمنية + الشراء سرعة الحركة الجانبية يشتبه راوخ في تسريع الذكاء الاصطناعي. قام المهاجم بضغط نافذة الوصول إلى التصعيد. خفض اتفاقيات مستوى الخدمة من الكشف إلى الاحتواء إلى أقل من 29 دقيقة من متوسط ​​الجرائم الإلكترونية. فريق SOC + IR قم بإجراء فحصي IoC اليوم، ابحث في وحدة تحكم المشرف في Google Workspace (الأمان > عناصر التحكم في واجهة برمجة التطبيقات > إدارة الوصول إلى تطبيقات الطرف الثالث) للحصول على معرفي تطبيق OAuth. الأول هو 110671459871-30f1spbu0hptbs60cb4vsmv79i7bbvqj.apps.googleusercontent.com، المرتبط بمجموعة Office الخاصة بـ context.ai. والثاني هو 110671459871-f3cq3okebd3jcg1lllmroqejdbka8cqq.apps.googleusercontent.com، المرتبط بامتداد Chrome الخاص بـ context.ai ويمنح Google Drive حق الوصول للقراءة. إذا لمس أي منهما بيئتك، فأنت في نطاق الانفجار بغض النظر عما يكشفه Vercel بعد ذلك. ماذا يعني هذا بالنسبة لمديري الأمن: انسَ اسم العلامة التجارية Vercel للحظة. ما حدث هنا هو أول حالة إثبات رئيسية على أن تكاملات OAuth لوكيل الذكاء الاصطناعي تنشئ فئة خرق لا تستطيع معظم برامج أمان المؤسسات اكتشافها أو نطاقها أو احتوائها. أدى تنزيل غش Roblox في فبراير إلى الوصول إلى البنية التحتية للإنتاج في أبريل. أربعة حدود تنظيمية، واثنين من موفري الخدمات السحابية، ومحيط هوية واحد. لا حاجة إلى يوم الصفر. بالنسبة لمعظم المؤسسات، قام الموظفون بربط أدوات الذكاء الاصطناعي بمثيلات Google Workspace أو Microsoft 365 أو Slack الخاصة بالشركة مع نطاقات OAuth واسعة النطاق - دون علم فرق الأمان. يعد اختراق Vercel بمثابة دراسة حالة لما يبدو عليه هذا التعرض عندما يعثر عليه المهاجم أولاً.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/the-ai-governance-mirage-why-72-of-enterprises-dont-have-the-control-and-security-they-think-they-do",
            "title_en": "The AI governance mirage: Why 72% of enterprises don’t have the control and security they think they do",
            "summary_en": "Decision makers at 72% of organizations claim to have two or more AI platforms that they identify as their \"primary\" layer, according to a survey of 40 enterprise companies conducted by VentureBeat last month, revealing real gaps in security and control. For enterprise management and technical leaders, and especially security leaders, these multiple AI platforms extend the attack surfaces of most enterprises at a time when AI-driven attacks have become increasingly potent. The multiple platforms — which include offerings from hyperscaler or AI labs like Microsoft Azure, Google, OpenAI or Anthropic, or big application companies like Epic, Workday or ServiceNow — reflect a state of sprawl that has emerged as these big software providers rush to offer their own AI to their enterprise customer",
            "body_en": "Decision makers at 72% of organizations claim to have two or more AI platforms that they identify as their \"primary\" layer, according to a survey of 40 enterprise companies conducted by VentureBeat last month, revealing real gaps in security and control. For enterprise management and technical leaders, and especially security leaders, these multiple AI platforms extend the attack surfaces of most enterprises at a time when AI-driven attacks have become increasingly potent. The multiple platforms — which include offerings from hyperscaler or AI labs like Microsoft Azure, Google, OpenAI or Anthropic, or big application companies like Epic, Workday or ServiceNow — reflect a state of sprawl that has emerged as these big software providers rush to offer their own AI to their enterprise customers. Those customers, in their own rush to scale AI, are finding they aren’t building a singular strategy — in fact they may be building a collection of contradictions. The strategic paradox: why leading enterprises are building around their vendors For example, take the strategic paradox faced by Mass General Brigham (MGB) hospital system, which has 90,000 employees and is the largest employer in Massachusetts. The hospital system last year had to shut down an uncontrolled number of internal proof of concepts that had sprouted up as employees had gotten carried away with AI projects, said CTO Nallan “Sri” Sriraman at the VentureBeat AI Impact event in Boston on March 26, which focused on the challenges of scaling AI. Instead, the company decided it was better to wait for the software giants it already uses to deliver on their AI roadmaps. Since these companies have so many resources, and were making AI a top priority themselves, it made no sense for MGB to try to build its own AI layer that would be duplicative, he said. \"Why are we building it ourselves?\" he asked. \"Leverage it.\" Yet, even then, Sriraman’s team has been forced to build workarounds, where those companies haven’t done enough. For example, MGB has just completed a “full-scaled” custom build around Microsoft’s Copilot — to get essentially everything offered by that tool — by putting a \"skin\" around Copilot to handle the safety and data privacy concerns the major model providers haven't yet mastered. Specifically, MGB needed a way for employees to prompt the AI and not have their protected health information (PHI) leaked back to the Copilot LLM provider, OpenAI. The new secure platform, which can support up to 30,000 users, is really the ultimate contradiction: Even though the company has a mandate to leverage the AI provided by the bigger companies, it needs to build around its failures. The contradiction goes even further. These software vendors used by MGB — which also include Epic, Workday and ServiceNow — are all now building agents for their AI, all operating differently. So MGB has to invest in building a “control plane that coordinates and orchestrates all of these agents,” Sriraman said. “That’s where our investment is going to be.” He noted that companies like his are “discovering and experimenting as the landscape keeps shifting.\" The marketplace is \"still nascent,\" he said, which makes decisions difficult. The \"six blind men\" problem Sriraman explained the current vendor landscape with an analogy: \"When you ask six blind men to touch an elephant and say, what does this elephant look like?\" Sriraman said. \"You're gonna get six different answers.\" What emerges from the research VentureBeat conducted in the first quarter, along with conversations like the one in Boston, is a situation that we at VentureBeat are calling a “governance mirage.” While many enterprises say they have adequate governance, in reality they haven’t created clear accountability or specific guardrails, evaluations or security processes to ensure that governance. The data of disconnect: confidence vs. systematic oversight The research comes from surveys across January, February and March by VentureBeat of enterprise companies with 100 or more employees, with 40 to 70 qualified respondents per topic area — covering agentic orchestration, AI security, RAG and governance. The data lacks statistical significance in many areas and should be treated as directional. The research on governance found that a majority, or 56%, of respondents said they are “very confident” that they’d detect a misbehaving AI model, suggesting that most decision-makers believe they have sufficient basic governance at their companies. However, nearly a third of respondents have no systematic mechanism to detect AI misbehavior until it surfaces through users or audits. In a world where telemetry leakage accounts for 34% of GenAI incidents ( Wiz ), and the global average breach cost has hit $4.4M ( IBM 2025 Cost of a Data Breach ), finding out after the damage is done is the default for too many companies. Moreover, 43% of respondents say a central team owns AI governance. That sounds reassuring — until you look at what’s happening everywhere else. Twenty-three percent say governance is unclear or actively contested between teams. Twenty percent say each platform team governs independently. Six percent say no one has formally addressed it. The rest said they were unsure who owned it. More telling is the barrier data. When asked about the single biggest obstacle to governing AI across platforms, “no single owner or accountable team” ranked second at 29% — just behind vendor opacity. Accountability structure and lack of vendor transparency are the two dominant failure modes, and they compound each other: Without a central owner, no one has the mandate to demand transparency from the vendors. The day-two bill: managing sprawl, creep, and lock-in The scaling trap: Red Hat’s warning Brian Gracely, Senior Director at Red Hat, who also spoke at the VentureBeat Boston event last month, addressed the infrastructure side of this sprawl, warning that many enterprises are falling into a trap of deceptive initial wins. Gracely noted that the barrier to entry is almost nonexistent at the start, with nearly anyone able to spin up a project using a credit card and an API key. \"Day zero is very, very easy,\" Gracely said. \"Day two is when the bill comes due.\" Red Hat is positioning its software layer (OpenShift AI) as the necessary buffer to prevent enterprises from getting buried in a single provider's proprietary ecosystem. Gracely’s point is direct: If your control system is built entirely inside one cloud provider’s toolset, you are effectively \"renting a cage.\" The illusion of speed in the early pilot phase often hides a technical debt that becomes obvious the moment you try to move your AI work to a different platform. Gracely illustrated this with a recent example. A senior leader from Red Hat’s centralized CTO office spent part of her vacation contributing to an open-source agent project called OpenClaw, which became widely popular in the first quarter. Within days of her name appearing as a project maintainer, Red Hat was fielding calls from major New York banks. Their problem was immediate: They realized they already had upwards of 10,000 employees bringing \"claws\" — agent-based tools — into their infrastructure with zero centralized oversight. Breaches caused by employees working on these sorts of unapproved technologies are costly. These so-called “shadow AI” incidents cost on average $670K more than standard incidents, according to IBM. Red Hat’s Gracely noted that while organizations can try to shut down these unapproved ports, they eventually have to figure out how to make them productive and secure — a task that requires a serious investment in an orchestration or platform layer. The dynamic defensive: MassMutual’s refusal to bet While some enterprise companies seek an \" AI operating system\" that oversees all of their AI technologies and apps , others are simply refusing to sign the check. Sears Merritt, CIO and head of enterprise technology at MassMutual, is managing the governance conundrum by intentionally staying in a state of high-velocity flexibility. \"Things are so dynamic, it’s hard to know which of the AI vendors will end up on top,\" Merritt said at the Boston event. For that reason, MassMutual is refusing to enter any long-term contracts with AI vendors. Merritt’s strategy of “dynamic defensive” highlights a core finding of our research: Vendor popularity is changing radically month to month. Anthropic, for example, went from 0% in January to nearly 6% in February, in the number of respondents reporting what agent orchestration technology they were using. Again, the sample size was small, at 70 respondents. Still, even if directional, the dynamic landscape suggests picking a \"primary\" winner today is a fool’s errand. The January figure likely reflects survey composition: Respondents represent the broader enterprise market, not the developer community where Anthropic has seen its strongest early traction. Until recently, most organizations had signed up early with leaders like Microsoft and OpenAI as their main orchestration providers, due to their early lead with Copilot. Our finding that Anthropic is just now pushing into enterprise agent orchestration may be a confirmation of the recent excitement around that platform. One possible explanation is that enterprises already using Claude for model inference are now routing through Anthropic's native tooling rather than third-party frameworks — though the sample is too small to draw firm conclusions. The rise of “platform creep” The leading providers are also shifting toward \"managed agents,\" as reflected by Anthropic’s recent announcement . This offering suggests possible continued platform creep, whereby providers like OpenAI and Anthropic take over more and more of the AI infrastructure — most specifically, in this case, the memory of agentic session details. And there the trap is set. Once your session data and orchestration live inside a provider's proprietary database, you aren't just using a model; you are living in its ecosystem. Moreover, persistent agent memory is a prime target for memory poisoning via injected instructions that influence every future interaction. And when that memory lives in a provider's database, you lose your own forensic capability. The security irony: The fox guarding the hen house We are seeing this platform creep in our data as well. The most jarring finding in our Q1 data is what we call the \"Security Irony\": the fact that the providers most responsible for creating enterprise AI risk are the same ones enterprises are using to manage it. Respondents said the top selection criterion for AI orchestration platforms was “security and permissions generally” (37.1%), beating out other criteria like cost, flexibility, control and ease of development. Yet, the market is choosing convenience over sovereignty. According to our survey, 26% of enterprises in February were using OpenAI as their primary security solution — the very same provider whose models create the risks they are trying to secure. That trend only seemed to strengthen in March, though, as stated before, we want to be careful. Our sample size is small, and this data should only be taken as directional. It’s not clear whether enterprises are choosing OpenAI as a security solution, or just relying on its built-in security features offered by Microsoft Azure (which partnered with OpenAI when it pushed its Copilot solution aggressively in 2024) because customers were already on that platform. Beyond the data, there are anecdotal signs that OpenAI's enterprise position may be shifting. Anthropic's Claude Code drew significant attention among developers early this year alongside the Claude 4.6 model. The subsequent announcement of Mythos, its security-focused model , prompted interest from enterprise security teams given its ability to identify vulnerabilities . OpenAI has also announced a security-focused model , GPT-5.4-Cyber. Our data may also point to a drop in OpenAI’s relative position in a few enterprise AI categories. One area was data-retrieval, where OpenAI again leads among third-party providers, but we saw an increase in the number of respondents instead using in-house solutions for retrieval — perhaps a sign that AI models and agents are getting better at natively being able to use tools to call directly to companies’ existing databases, and that custom code is often a way companies are building this in. However, here again we feel our data is at best directional for now. We are asking the fox to guard the hen house. Hyperscaler security features (like those from OpenAI, Azure, and Google) are winning, because they are already integrated into the platforms enterprises are using. But it creates a single-provider dependency. As agents gain the power to modify documents, call APIs and access databases, the “governance mirage\" suggests we have control, while the data shows we are simply clicking \"I agree\" on whatever the hyperscalers offer. The resulting risks, however, include content injection, privilege escalation and data exfiltration. The path forward: toward a unified control plane The search for the \"Dynatrace for AI\" So, what is the way out? Sriraman argued that the industry desperately needs a \"central observability platform\" — a \"Dynatrace for AI\" — that provides full end-to-end visibility, including model drift and safety prompting, agent behavior analytics, privilege escalation alerts, and forensic logging. He is currently working with a number of potential providers to deliver on this. The “swivel chair” warning Sriraman warned that without a unified control plane, enterprises are at risk of sliding back into a fragmented \"swivel chair\" world — reminiscent of the early, inefficient days of Robotic Process Automation (RPA) — where employees are forced to constantly jump between different siloed AI tools to finish a single workflow. \"We don’t want to create a world where you have to switch to do something here and then go back to the platform to do something else,\" he said. But that desire for a single control plane conflicts with the desire to avoid lock-in. Our data shows the market has settled on the “hybrid control plane.” In other words, the most popular situation among our respondents (at 34.3%), was to use model provider-native solutions like Copilot Studio or OpenAI assistants for some workflows, while also running external options like LangGraph or custom orchestration for others. Smaller numbers of companies reported being more dogmatic here, whether that be deliberately removing the model provider from the orchestration layer entirely, relying only on custom orchestration tools, or relying only on the model provider’s technology Enterprises trust no single provider enough to give them full control, yet they lack the engineering capacity to build entirely from scratch. The bottom line: The “big red button” Visibility and integration are only half the battle. In a high-stakes industry like healthcare, Sriraman argues that any legitimate control plane must also offer a hard-stop capability. \"We need a big red button,\" he said. \"Kill it. We should be able to have that … without that, don't put anything in the operational setting.\" In fact, such a kill switch was formally called for by the security community group OWASP as part of a recommended security framework . The “governance mirage” is the belief that you can scale AI without deciding who owns the control and security plane. If you are one of the 72% of organizations claiming multiple \"primary\" platforms, be careful because you may not have a strategy; you may have a conflict of interest. It suggests that the winner of the war between the AI behemoths — OpenAI, Anthropic, Google, Microsoft, etc. — won’t necessarily be the one with the best model, but the one that manages to sit above the models and help enterprises enforce a single version of the truth. That may be difficult to achieve, though, given that companies won’t want lock-in with a single player. The data suggests enterprises are already resisting that outcome — and may need to formalize that resistance. Enterprises arguably need to own their control plane with independent security instrumentation, not wait for a vendor to win that role for them.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/3WMHdvrskEj3HdPeIS9rrR\/9af392294440928de19655b5f5e212a8\/the_governance_mirage.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/the-ai-governance-mirage-why-72-of-enterprises-dont-have-the-control-and-security-they-think-they-do",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "سراب حوكمة الذكاء الاصطناعي: لماذا لا تتمتع 72% من المؤسسات بالقدرة على التحكم والأمان التي تعتقد أنها تمتلكها؟",
            "summary_ar": "يزعم صناع القرار في 72% من المؤسسات أن لديهم منصتين أو أكثر من منصات الذكاء الاصطناعي التي يعتبرونها الطبقة \"الأساسية\" الخاصة بهم، وفقًا لمسح شمل 40 شركة مؤسسية أجرته VentureBeat الشهر الماضي، مما كشف عن فجوات حقيقية في الأمن والتحكم. بالنسبة لإدارة المؤسسات والقادة التقنيين، وخاصة قادة الأمن، تعمل منصات الذكاء الاصطناعي المتعددة هذه على توسيع أسطح الهجوم لمعظم المؤسسات في الوقت الذي أصبحت فيه الهجمات التي تعتمد على الذكاء الاصطناعي قوية بشكل متزايد. تعكس الأنظمة الأساسية المتعددة - التي تتضمن عروضًا من Hyperscaler أو مختبرات الذكاء الاصطناعي مثل Microsoft Azure أو Google أو OpenAI أو Anthropic، أو شركات التطبيقات الكبيرة مثل Epic أو Workday أو ServiceNow - حالة الزحف التي ظهرت مع اندفاع موفري البرامج الكبار لتقديم الذكاء الاصطناعي الخاص بهم لمؤسساتهم عميل",
            "body_ar": "يزعم صناع القرار في 72% من المؤسسات أن لديهم منصتين أو أكثر من منصات الذكاء الاصطناعي التي يعتبرونها الطبقة \"الأساسية\" الخاصة بهم، وفقًا لمسح شمل 40 شركة مؤسسية أجرته VentureBeat الشهر الماضي، مما كشف عن فجوات حقيقية في الأمن والتحكم. بالنسبة لإدارة المؤسسات والقادة التقنيين، وخاصة قادة الأمن، تعمل منصات الذكاء الاصطناعي المتعددة هذه على توسيع أسطح الهجوم لمعظم المؤسسات في الوقت الذي أصبحت فيه الهجمات التي تعتمد على الذكاء الاصطناعي قوية بشكل متزايد. تعكس الأنظمة الأساسية المتعددة - التي تتضمن عروضًا من مختبرات Hyperscaler أو AI مثل Microsoft Azure أو Google أو OpenAI أو Anthropic، أو شركات التطبيقات الكبيرة مثل Epic أو Workday أو ServiceNow - حالة الزحف التي ظهرت مع اندفاع موفري البرامج الكبار لتقديم الذكاء الاصطناعي الخاص بهم لعملاء المؤسسات الخاصة بهم. يجد هؤلاء العملاء، في اندفاعهم لتوسيع نطاق الذكاء الاصطناعي، أنهم لا يبنون استراتيجية واحدة - في الواقع ربما يقومون ببناء مجموعة من التناقضات. المفارقة الإستراتيجية: لماذا تعتمد الشركات الرائدة على بائعيها على سبيل المثال، لنأخذ على سبيل المثال المفارقة الإستراتيجية التي يواجهها نظام مستشفيات ماس ​​جنرال بريجهام (MGB)، الذي يضم 90 ألف موظف وهو أكبر صاحب عمل في ولاية ماساتشوستس. قال CTO Nallan \"Sri\" Sriraman في حدث VentureBeat AI Impact في بوسطن في 26 مارس، والذي ركز على تحديات توسيع نطاق الذكاء الاصطناعي، إن نظام المستشفيات اضطر في العام الماضي إلى إغلاق عدد غير منضبط من الأدلة الداخلية للمفاهيم التي ظهرت مع انشغال الموظفين بمشاريع الذكاء الاصطناعي. وبدلاً من ذلك، قررت الشركة أنه من الأفضل انتظار عمالقة البرمجيات الذين تستخدمهم بالفعل لتقديم خرائط طريق الذكاء الاصطناعي الخاصة بهم. وقال: نظرًا لأن هذه الشركات لديها الكثير من الموارد، وكانت تجعل الذكاء الاصطناعي أولوية قصوى بنفسها، فليس من المنطقي أن تحاول MGB بناء طبقة ذكاء اصطناعي خاصة بها تكون متكررة. \"لماذا نبنيها بأنفسنا؟\" سأل. \"الاستفادة منها.\" ومع ذلك، حتى ذلك الحين، اضطر فريق سريرامان إلى بناء حلول بديلة، حيث لم تفعل تلك الشركات ما يكفي. على سبيل المثال، أكملت MGB للتو إنشاءًا مخصصًا \"واسع النطاق\" حول برنامج Copilot من Microsoft - للحصول على كل ما تقدمه هذه الأداة بشكل أساسي - عن طريق وضع \"سطح\" حول برنامج Copilot للتعامل مع مخاوف السلامة وخصوصية البيانات التي لم يتقنها موفرو النماذج الرئيسيون بعد. على وجه التحديد، احتاجت MGB إلى طريقة للموظفين لتحفيز الذكاء الاصطناعي وعدم تسريب معلوماتهم الصحية المحمية (PHI) مرة أخرى إلى مزود Copilot LLM، OpenAI. إن المنصة الآمنة الجديدة، التي يمكن أن تدعم ما يصل إلى 30 ألف مستخدم، هي في الواقع التناقض المطلق: على الرغم من أن الشركة لديها تفويض للاستفادة من الذكاء الاصطناعي الذي توفره الشركات الكبرى، إلا أنها تحتاج إلى البناء على إخفاقاتها. ويذهب التناقض إلى أبعد من ذلك. يقوم بائعو البرامج الذين تستخدمهم MGB - والذين يشملون أيضًا Epic وWorkday وServiceNow - ببناء وكلاء للذكاء الاصطناعي الخاص بهم، ويعملون جميعًا بشكل مختلف. وقال سريرامان إنه يتعين على MGB الاستثمار في بناء “طائرة تحكم تنسق وتنظم كل هؤلاء العملاء”. \"هذا هو المكان الذي سيكون فيه استثمارنا.\" وأشار إلى أن الشركات مثل شركته \"تكتشف وتجري تجارب مع استمرار تغير المشهد\". وقال إن السوق \"لا يزال ناشئا\"، مما يجعل اتخاذ القرارات صعبا. مشكلة \"الرجال الستة المكفوفين\" شرح سريرامان المشهد الحالي للبائعين بتشبيه: \"عندما تطلب من ستة رجال مكفوفين أن يلمسوا فيلًا ويقولوا، كيف يبدو هذا الفيل؟\" قال سريرامان. \"سوف تحصل على ستة إجابات مختلفة.\" إن ما ينبثق من البحث الذي أجراه موقع VentureBeat في الربع الأول، إلى جانب محادثات مثل تلك التي جرت في بوسطن، هو الموقف الذي نطلق عليه نحن في VentureBeat وصف \"سراب الحوكمة\". في حين أن العديد من الشركات تقول أن لديها حوكمة كافية، إلا أنها في الواقع لم تقم بإنشاء مساءلة واضحة أو حواجز حماية أو تقييمات أو عمليات أمنية محددة لضمان تلك الحوكمة. بيانات الانفصال: الثقة مقابل الثقة الرقابة المنهجية يأتي البحث من الدراسات الاستقصائية التي أجريت خلال يناير وفبراير ومارس بواسطة VentureBeat لشركات المؤسسات التي تضم 100 موظف أو أكثر، مع 40 إلى 70 مشاركًا مؤهلًا لكل مجال موضوعي - يغطي التنسيق الوكيل وأمن الذكاء الاصطناعي وRAG والحوكمة. تفتقر البيانات إلى أهمية إحصائية في العديد من المجالات وينبغي التعامل معها على أنها اتجاهية. توصل البحث حول الحوكمة إلى أن أغلبية، أو 56%، من المشاركين قالوا إنهم \"واثقون جدًا\" من أنهم سيكتشفون نموذجًا سيئًا للذكاء الاصطناعي، مما يشير إلى أن معظم صناع القرار يعتقدون أن لديهم حوكمة أساسية كافية في شركاتهم. ومع ذلك، ما يقرب من ثلث المشاركين ليس لديهم آلية منهجية للكشف عن سوء سلوك الذكاء الاصطناعي حتى يظهر من خلال المستخدمين أو عمليات التدقيق. في عالم حيث يمثل تسرب القياس عن بعد 34% من حوادث GenAI (Wiz)، وقد وصل متوسط ​​تكلفة الاختراق العالمي إلى 4.4 مليون دولار (IBM 2025 Cost of a Data Breach)، فإن اكتشاف الضرر بعد حدوث الضرر هو الإجراء الافتراضي للعديد من الشركات. علاوة على ذلك، يقول 43% من المشاركين أن الفريق المركزي يمتلك حوكمة الذكاء الاصطناعي. يبدو ذلك مطمئنًا، حتى تنظر إلى ما يحدث في كل مكان آخر. ويقول 23% أن الحوكمة غير واضحة أو متنازع عليها بين الفرق. ويقول 20% أن كل فريق منصة يحكم بشكل مستقل. ويقول ستة في المئة إنه لم يقم أحد بمعالجة الأمر رسميًا. وقال الباقون إنهم غير متأكدين من صاحبها. الأمر الأكثر دلالة هو البيانات الحاجزة. عندما سُئلوا عن أكبر عقبة أمام إدارة الذكاء الاصطناعي عبر المنصات، جاءت عبارة \"لا يوجد مالك واحد أو فريق مسؤول\" في المرتبة الثانية بنسبة 29% - خلف عتامة البائع مباشرة. إن هيكل المساءلة والافتقار إلى شفافية البائعين هما نمطا الفشل السائدان، وهما يضاعفان بعضهما البعض: بدون مالك مركزي، لا أحد لديه التفويض لمطالبة البائعين بالشفافية. فاتورة اليوم الثاني: إدارة الزحف والزحف والاحتجاز فخ التوسع: تحذير ريد هات تناول بريان جريسلي، المدير الأول في ريد هات، والذي تحدث أيضًا في حدث VentureBeat بوسطن الشهر الماضي، جانب البنية التحتية لهذا الزحف، محذرًا من أن العديد من الشركات تقع في فخ المكاسب الأولية الخادعة. أشارت جريسلي إلى أن عائق الدخول يكاد يكون معدومًا في البداية، حيث يستطيع أي شخص تقريبًا إنشاء مشروع باستخدام بطاقة الائتمان ومفتاح واجهة برمجة التطبيقات (API). قالت جريسلي: \"اليوم صفر سهل للغاية\". \"اليوم الثاني هو موعد استحقاق الفاتورة.\" تقوم Red Hat بوضع طبقة البرامج الخاصة بها (OpenShift AI) كمخزن مؤقت ضروري لمنع المؤسسات من الدفن في النظام البيئي الخاص بمزود واحد. وجهة نظر Gracely مباشرة: إذا كان نظام التحكم الخاص بك مبنيًا بالكامل داخل مجموعة أدوات أحد مزودي الخدمات السحابية، فأنت فعليًا \"تستأجر قفصًا\". غالبًا ما يخفي وهم السرعة في المرحلة التجريبية المبكرة دينًا تقنيًا يصبح واضحًا في اللحظة التي تحاول فيها نقل عملك في مجال الذكاء الاصطناعي إلى منصة مختلفة. لقد أوضحت ذلك بلطف بمثال حديث. أمضت إحدى كبار القادة في مكتب CTO المركزي لشركة Red Hat جزءًا من إجازتها في المساهمة في مشروع وكيل مفتوح المصدر يسمى OpenClaw، والذي أصبح شائعًا على نطاق واسع في الربع الأول. وفي غضون أيام من ظهور اسمها كمشرفة على المشروع، كانت ريد هات تتلقى مكالمات من البنوك الكبرى في نيويورك. كانت مشكلتهم فورية: لقد أدركوا أن لديهم بالفعل ما يزيد عن 10000 موظف يجلبون \"المخالب\" - الأدوات القائمة على الوكلاء - إلى البنية التحتية الخاصة بهم دون أي إشراف مركزي. تعتبر الانتهاكات التي يسببها الموظفون الذين يعملون على هذه الأنواع من التقنيات غير المعتمدة مكلفة. تكلف حوادث \"الذكاء الاصطناعي الظلي\" هذه في المتوسط ​​670 ألف دولار أكثر من الحوادث القياسية، وفقًا لشركة IBM. وأشار غريسلي من Red Hat إلى أنه بينما يمكن للمؤسسات أن تحاول إغلاق هذه المنافذ غير المعتمدة، إلا أنه يتعين عليها في النهاية معرفة كيفية جعلها منتجة وآمنة - وهي مهمة تتطلب استثمارًا جديًا في طبقة التنسيق أو النظام الأساسي. الدفاع الديناميكي: رفض MassMutual الرهان بينما تسعى بعض الشركات إلى الحصول على \"نظام تشغيل للذكاء الاصطناعي\" يشرف على جميع تقنيات وتطبيقات الذكاء الاصطناعي الخاصة بها، يرفض البعض الآخر ببساطة التوقيع على الشيك. يقوم سيرز ميريت، رئيس قسم تكنولوجيا المعلومات ورئيس قسم تكنولوجيا المؤسسات في MassMutual، بإدارة معضلة الحوكمة من خلال البقاء عمدًا في حالة من المرونة عالية السرعة. وقال ميريت في حدث بوسطن: \"الأمور ديناميكية للغاية، ومن الصعب معرفة أي من بائعي الذكاء الاصطناعي سينتهي به الأمر في المقدمة\". ولهذا السبب، ترفض MassMutual الدخول في أي عقود طويلة الأجل مع بائعي الذكاء الاصطناعي. تسلط استراتيجية ميريت المتمثلة في \"الدفاع الديناميكي\" الضوء على النتيجة الأساسية لبحثنا: تتغير شعبية البائع بشكل جذري من شهر لآخر. على سبيل المثال، ارتفعت النسبة الأنثروبولوجية من 0% في يناير إلى ما يقرب من 6% في فبراير، في عدد المشاركين الذين أبلغوا عن تقنية تنسيق الوكلاء التي كانوا يستخدمونها. ومرة أخرى، كان حجم العينة صغيراً، حيث بلغ 70 مشاركاً. ومع ذلك، حتى لو كان الاتجاه اتجاهيًا، فإن المشهد الديناميكي يشير إلى أن اختيار الفائز \"الأساسي\" اليوم هو مهمة حمقاء. من المحتمل أن يعكس رقم شهر يناير تركيبة الاستطلاع: يمثل المجيبون سوق المؤسسات الأوسع، وليس مجتمع المطورين حيث شهدت Anthropic أقوى قوة جذب مبكرة لها. حتى وقت قريب، كانت معظم المؤسسات قد اشتركت مبكرًا مع قادة مثل Microsoft وOpenAI كموفري التنسيق الرئيسيين لها، نظرًا لتقدمها المبكر مع Copilot. قد يكون اكتشافنا أن Anthropic تتجه الآن نحو تنسيق وكلاء المؤسسات بمثابة تأكيد للإثارة الأخيرة حول تلك المنصة. أحد التفسيرات المحتملة هو أن الشركات التي تستخدم بالفعل كلود لاستدلال النموذج، تقوم الآن بالتوجيه من خلال أدوات Anthropic الأصلية بدلاً من أطر عمل الطرف الثالث - على الرغم من أن العينة صغيرة جدًا بحيث لا يمكنها استخلاص استنتاجات قاطعة. صعود \"زحف النظام الأساسي\" يتحول مقدمو الخدمات الرائدون أيضًا نحو \"الوكلاء المُدارين\"، كما يتضح من إعلان Anthropic الأخير. يشير هذا العرض إلى احتمال استمرار زحف النظام الأساسي، حيث يتولى مقدمو الخدمات مثل OpenAI وAnthropic المزيد والمزيد من البنية التحتية للذكاء الاصطناعي - وعلى وجه التحديد، في هذه الحالة، ذاكرة تفاصيل الجلسة الوكيلة. وهناك تم نصب الفخ. بمجرد أن تكون بيانات الجلسة والتنسيق الخاص بك موجودًا داخل قاعدة البيانات الخاصة بموفر الخدمة، فإنك لا تستخدم نموذجًا فقط؛ أنت تعيش في نظامها البيئي. علاوة على ذلك، فإن الذاكرة الدائمة هي هدف رئيسي لتسمم الذاكرة عن طريق حقن التعليمات التي تؤثر على كل تفاعل مستقبلي. وعندما تعيش تلك الذاكرة في قاعدة بيانات مقدم الخدمة، فإنك تفقد قدرتك على الطب الشرعي. المفارقة الأمنية: الثعلب الذي يحرس بيت الدجاج نحن نرى هذه المنصة تتسلل إلى بياناتنا أيضًا. إن النتيجة الأكثر إثارة للدهشة في بيانات الربع الأول لدينا هي ما نسميه \"المفارقة الأمنية\": حقيقة أن مقدمي الخدمات الأكثر مسؤولية عن خلق مخاطر الذكاء الاصطناعي للمؤسسات هم نفس المزودين الذين تستخدمهم الشركات لإدارتها. قال المشاركون إن معيار الاختيار الأعلى لمنصات تنسيق الذكاء الاصطناعي هو \"الأمن والأذونات بشكل عام\" (37.1%)، متفوقًا على المعايير الأخرى مثل التكلفة والمرونة والتحكم وسهولة التطوير. ومع ذلك، فإن السوق تختار الراحة على السيادة. وفقًا لاستطلاعنا، كانت 26% من المؤسسات في فبراير تستخدم OpenAI كحل أمني أساسي لها - وهو نفس المزود الذي تخلق نماذجه المخاطر التي يحاولون تأمينها. ويبدو أن هذا الاتجاه قد تعزز في شهر مارس فقط، على الرغم من أننا، كما ذكرنا من قبل، نريد أن نكون حذرين. حجم العينة لدينا صغير، ويجب أن تؤخذ هذه البيانات على أنها اتجاهية فقط. ليس من الواضح ما إذا كانت الشركات تختار OpenAI كحل أمني، أو تعتمد فقط على ميزات الأمان المضمنة التي تقدمها Microsoft Azure (التي عقدت شراكة مع OpenAI عندما دفعت حل Copilot بقوة في عام 2024) لأن العملاء كانوا يستخدمون هذا النظام الأساسي بالفعل. وبعيدًا عن البيانات، هناك دلائل غير مؤكدة على أن وضع مؤسسة OpenAI قد يتغير. جذبت Anthropic's Claude Code اهتمامًا كبيرًا بين المطورين في وقت مبكر من هذا العام جنبًا إلى جنب مع طراز Claude 4.6. أدى الإعلان اللاحق عن Mythos، نموذجها الذي يركز على الأمان، إلى إثارة اهتمام فرق أمان المؤسسة نظرًا لقدرتها على تحديد نقاط الضعف. أعلنت OpenAI أيضًا عن نموذج يركز على الأمان، GPT-5.4-Cyber. قد تشير بياناتنا أيضًا إلى انخفاض في مكانة OpenAI النسبية في عدد قليل من فئات الذكاء الاصطناعي للمؤسسات. كان أحد المجالات هو استرجاع البيانات، حيث تتصدر OpenAI مرة أخرى بين موفري الطرف الثالث، ولكننا شهدنا زيادة في عدد المشاركين بدلاً من استخدام الحلول الداخلية للاسترجاع - ربما علامة على أن نماذج الذكاء الاصطناعي ووكلاءه يتحسنون في القدرة على استخدام الأدوات للاتصال مباشرة بقواعد بيانات الشركات الحالية، وغالبًا ما يكون هذا الرمز المخصص هو الطريقة التي تبني بها الشركات هذا الأمر. ومع ذلك، نشعر هنا مرة أخرى أن بياناتنا في أفضل حالاتها اتجاهية في الوقت الحالي. نحن نطلب من الثعلب أن يحرس بيت الدجاجة. تفوز ميزات أمان Hyperscaler (مثل تلك الموجودة في OpenAI وAzure وGoogle)، لأنها مدمجة بالفعل في الأنظمة الأساسية التي تستخدمها المؤسسات. لكنه يخلق تبعية لموفر واحد. مع اكتساب الوكلاء القدرة على تعديل المستندات، واستدعاء واجهات برمجة التطبيقات (APIs)، والوصول إلى قواعد البيانات، يشير \"سراب الحوكمة\" إلى أننا نملك السيطرة، بينما تظهر البيانات أننا ننقر ببساطة على \"أوافق\" على كل ما يقدمه المتوسعون الفائقون. ومع ذلك، تشمل المخاطر الناتجة حقن المحتوى وتصعيد الامتيازات واستخلاص البيانات. الطريق إلى الأمام: نحو مستوى تحكم موحد البحث عن \"Dynatrace for AI\" إذن، ما هو المخرج؟ قال سريرامان إن الصناعة بحاجة ماسة إلى \"منصة مراقبة مركزية\" - \"Dynatrace for AI\" - التي توفر رؤية كاملة من البداية إلى النهاية، بما في ذلك انحراف النموذج والمطالبة بالسلامة، وتحليلات سلوك الوكيل، وتنبيهات تصعيد الامتيازات، وتسجيل الطب الشرعي. وهو يعمل حاليًا مع عدد من مقدمي الخدمة المحتملين لتحقيق ذلك. حذر سريرامان من أنه بدون طائرة تحكم موحدة، فإن المؤسسات معرضة لخطر الانزلاق مرة أخرى إلى عالم \"الكرسي الدوار\" المجزأ - الذي يذكرنا بالأيام الأولى غير الفعالة لأتمتة العمليات الروبوتية (RPA) - حيث يضطر الموظفون إلى القفز باستمرار بين أدوات الذكاء الاصطناعي المنعزلة المختلفة لإنهاء سير عمل واحد. وقال: \"لا نريد إنشاء عالم يتعين عليك فيه التبديل للقيام بشيء ما هنا ثم العودة إلى المنصة للقيام بشيء آخر\". لكن تلك الرغبة في الحصول على طائرة تحكم واحدة تتعارض مع الرغبة في تجنب الانغلاق. تظهر بياناتنا أن السوق قد استقر على \"مستوى التحكم الهجين\". بمعنى آخر، كان الموقف الأكثر شيوعًا بين المشاركين (بنسبة 34.3%)، هو استخدام الحلول النموذجية الأصلية مثل Copilot Studio أو مساعدي OpenAI لبعض مسارات العمل، مع تشغيل خيارات خارجية أيضًا مثل LangGraph أو التنسيق المخصص للآخرين. أفادت أعداد أقل من الشركات بأنها أكثر دوغمائية هنا، سواء كان ذلك عن طريق إزالة موفر النموذج من طبقة التنسيق تمامًا، أو الاعتماد فقط على أدوات التنسيق المخصصة، أو الاعتماد فقط على تقنية موفر النموذج. لا تثق المؤسسات في أي مزود واحد بما يكفي لمنحها السيطرة الكاملة، ومع ذلك فهي تفتقر إلى القدرة الهندسية للبناء بالكامل من الصفر. خلاصة القول: \"الزر الأحمر الكبير\" الرؤية والتكامل هما نصف المعركة فقط. وفي صناعة عالية المخاطر مثل الرعاية الصحية، يرى سريرامان أن أي طائرة مراقبة مشروعة يجب أن توفر أيضًا قدرة التوقف الصارم. وقال: \"نحن بحاجة إلى زر أحمر كبير\". \"اقتلها. يجب أن نكون قادرين على الحصول على ذلك... بدون ذلك، لا تضع أي شيء في إطار العمليات\". في الواقع، تم استدعاء مفتاح القتل هذا رسميًا من قبل مجموعة مجتمع الأمان OWASP كجزء من إطار عمل أمني موصى به. \"سراب الحوكمة\" هو الاعتقاد بأنه يمكنك توسيع نطاق الذكاء الاصطناعي دون تحديد من يملك طائرة التحكم والأمن. إذا كنت واحدًا من 72% من المؤسسات التي تطالب بوجود منصات \"أساسية\" متعددة، فكن حذرًا لأنه قد لا يكون لديك استراتيجية؛ قد يكون لديك تضارب في المصالح. إنه يشير إلى أن الفائز في الحرب بين عمالقة الذكاء الاصطناعي - OpenAI، وAnthropic، وGoogle، وMicrosoft، وما إلى ذلك - سوف يفوز. - لن يكون بالضرورة صاحب النموذج الأفضل، ولكنه الشخص الذي يتمكن من الجلوس فوق النماذج ومساعدة المؤسسات على فرض نسخة واحدة من الحقيقة. ومع ذلك، قد يكون من الصعب تحقيق ذلك، نظرا لأن الشركات لن ترغب في الارتباط بلاعب واحد. تشير البيانات إلى أن الشركات تقاوم هذه النتيجة بالفعل - وقد تحتاج إلى إضفاء الطابع الرسمي على هذه المقاومة. يمكن القول إن الشركات تحتاج إلى امتلاك طائرة التحكم الخاصة بها بأدوات أمنية مستقلة، وليس الانتظار حتى يفوز البائع بهذا الدور هم.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/openais-chatgpt-images-2-0-is-here-and-it-does-multilingual-text-full-infographics-slides-maps-even-manga-seemingly-flawlessly",
            "title_en": "OpenAI's ChatGPT Images 2.0 is here and it does multilingual text, full infographics, slides, maps, even manga — seemingly flawlessly",
            "summary_en": "It's been only a few months since OpenAI released its last big improvement to AI image generations in ChatGPT and through its application programming interface (API) — namely, a new image generation model known as GPT-Image-1.5 , released in December 2025, which brought about improved instruction following, colors, and lighting. Now, after weeks of testing, the company that kicked off the generative AI boom is unveiling a far more dramatic and even more impressive update: ChatGPT Images 2.0 , which has been available not-so-secretly for several weeks on LM Arena AI , a third-party testing platform used by OpenAI and other major AI model providers to get early feedback, under the name \"duct tape.\" Throughout that time, it's already blown early users' minds with its capacity t",
            "body_en": "It's been only a few months since OpenAI released its last big improvement to AI image generations in ChatGPT and through its application programming interface (API) — namely, a new image generation model known as GPT-Image-1.5 , released in December 2025, which brought about improved instruction following, colors, and lighting. Now, after weeks of testing, the company that kicked off the generative AI boom is unveiling a far more dramatic and even more impressive update: ChatGPT Images 2.0 , which has been available not-so-secretly for several weeks on LM Arena AI , a third-party testing platform used by OpenAI and other major AI model providers to get early feedback, under the name \"duct tape.\" Throughout that time, it's already blown early users' minds with its capacity to generate long blocks of text or disparate text panels within the same image, its insanely realistic generation of user interfaces and screenshots from popular websites and platforms, its reproduction of real life figures like OpenAI co-founder and CEO Sam Altman, and its ability to perform web research and put the results into the image itself. Now today, it's officially rolling out to ChatGPT users on all tiers, and OpenAI confirms it can also produce floor plans, image grids and sets of many smaller images, and character models from multiple angles, and apply almost all of these features to user-uploaded imagery as well. The update, which encompasses the new gpt-image-2 model for API users and a suite of \"Thinking\" features for ChatGPT subscribers, represents a fundamental shift in how the company views visual media. As the official release notes state, \"Images are a language, not decoration. A good image does what a good sentence does—it selects, arranges, and reveals\". OpenAI did not release benchmarks to us ahead of time on ChatGPT Images 2.0, but it is safe to say the model is performing at the \"state-of-the-art\" based on all the outputs I've seen. The move comes as the AI image model space has seen increasing competition, especially with the release of Google's Nano Banana 2 image generation model (also known as Gemini 3 Pro Image or Gemini 3.1 Pro Image) in February 2026, which also offered dense text options \"baked into\" images similar to ChatGPT Images 2.0. But the latter's fidelity in reproducing user interfaces, screenshots, and multiple image packs at once seem to exceed even Google's latest image model's capabilities in my brief testing and anecdotal usage and observation of other users' images. OpenAI spokespersons and researchers re-iterated the company's commitments to safety and tagging its image outputs with metadata as AI generated in the face of rising reports — including one recently from The New York Times — on AI user-generated characters (AI UGC) being used as the seed for realistic AI videos posted en masse on social media as part of political influence campaigns, including showing support for historically unpopular U.S. President Donald J. Trump with an army of fictitious people masquerading as \"real Americans.\" When VentureBeat asked in a closed press briefing directly about this story and GPT Images 2.0's potential for usage in deceptive campaigning or advertising\/influence campaigns Adele Li, OpenAI's Product Lead for ChatGPT Images, responded: \"We take safety and security incredibly seriously. That includes anything when it comes to political or election interference. And so while other platforms and companies may not have those safeguards, ChatGPT does, and we take monitoring and protection of our users, as well as the influence that our photos as they are created, incredibly seriously..in the last couple years, we've seen a lot more new entrants into the image generation space with different standards and philosophies as ChatGPT, but we've stayed steady through all that, and we're really proud of releasing this model as it relates to advanced capabilities, but doing so in a safe and protected way.\" OpenAI has also confirmed that it is deprecating GPT-Image-1.5 as the default model across its suite, though it will remain accessible via the API for legacy support. This transition signals OpenAI's confidence that the 2.0 model is a superior replacement for both casual and high-value creative tasks. The reasoning era of AI image generation The most significant technical advancement in Images 2.0 is the integration of OpenAI’s \"O-series\" reasoning capabilities. Historically, image models have operated as black boxes: you provide a prompt, and a single output is generated. Images 2.0 introduces an \"agentic\" approach. When a user selects a \"Thinking\" model within ChatGPT, the system no longer simply \"draws\"; it researches, plans, and reasons through the structure of an image before the first pixel is rendered. During a live press briefing, Li demonstrated this reasoning by uploading a complex PowerPoint file regarding internal product strategies. Rather than merely creating a related image, the model synthesized the document's core data, identified the correct logos, and produced a professional poster that preserved the specific stylistic inputs of the original file. In my brief testing — I was given access last night and tested it on a few generations this morning — ChatGPT Images 2.0 is the first image model from OpenAI and one of only two (Nano Banana 2 being the other) that can seemingly accurately reproduce a map of the extent of the Aztec, Maya, and Inca empires at their respective heights along with a fully legible legend, making it useful for educational or internal training purposes on global knowledge and geography. This reasoning capability also allows the model to search the web in real-time to ensure visual accuracy for current events or specific technical artifacts. This is supported by a significantly more recent knowledge cutoff of December 2025, a major leap from previous iterations that struggled with modern context. The underlying architecture has been \"revamped from scratch,\" according to Research Lead Boyuan Chen. While Chen declined to confirm if the model uses a traditional diffusion or auto-regressive technique, he described it as a \"generalist model\" or a \"GPT for images\" that can handle 3D-style perspective shifts and complex spatial reasoning through simple text prompts. Precision, multilingual support and a \"wow\" factor The product experience for Images 2.0 is defined by three major pillars: typography, linguistic diversity, and sequential consistency. One of the most persistent \"tells\" of AI-generated imagery has been the inability to render legible text. OpenAI claims Images 2.0 marks a \"step change\" in this department. The model is now capable of producing readable typography even in dense compositions, such as scientific diagrams, menus, or infographic posters. A look at the provided \"Magazine Cover\" sample (Open Scifi) illustrates this precision: every headline, volume number, and even the \"Display until\" date on the barcode is rendered with crisp, professional alignment that mirrors human-designed layouts. This capability extends into the \"Thinking\" mode, where the model can even generate three-page educational visuals—complete with quizzes—that maintain a consistent instructional flow. OpenAI has also addressed a long-standing Western bias in AI imagery. Images 2.0 is described as a \"polyglot\" model with significant gains in non-Latin script rendering. Specifically, the model now supports high-fidelity text generation in Japanese, Korean, Chinese, Hindi, and Bengali . In the \"Global Language\" diagram provided, which explains the water cycle, the model successfully renders complex Korean characters (Hangul) within an educational layout. The text is not just translated; it is \"rendered correctly but with language that flows coherently,\" ensuring that labels and explanations feel natively integrated into the design. For creators working on storyboards or brand campaigns, the most impactful new feature is the ability to generate up to eight distinct images from a single prompt . Crucially, these images maintain \"character and object continuity\" across the series. Li noted that this solves a \"cumbersome\" workflow where users previously had to prompt one image at a time and manually stitch them together. This feature enables the creation of entire manga sequences, children's books, or a family of social media graphics that share the same visual DNA. Licensing and availability OpenAI’s rollout strategy reflects a clear push toward professional and enterprise adoption. While the base model is available to all users—including those on the free tier—the advanced \"Thinking\" and \"Pro\" capabilities are reserved for paid tiers. Free Users: Have access to the base ImageGen 2.0 model for standard tasks. Plus and Pro Users: Can access \"Thinking\" capabilities, which include tool use, web search, and multi-image generation. Pro Users: Receive additional access to \"ImageGen Pro\" models for more advanced image generation. API Developers: Can integrate gpt-image-2 , which supports resolutions up to 4K (currently in beta) and flexible aspect ratios ranging from a wide 3:1 to a tall 1:3. What is clear so far is that OpenAI is describing three practical layers of access, even if it has not published a precise tier-by-tier matrix. The baseline is ChatGPT Images 2.0 , which OpenAI's blog post states is available to all ChatGPT and Codex users and includes the core model improvements: better instruction following, stronger text rendering, multilingual gains, broader aspect ratios, and more polished, production-usable outputs. Above that is “thinking” , which the release defines more concretely: when a thinking model is selected, the system can take more time, use the web, analyze uploaded materials, reason through layout before generating, and produce multiple distinct images at once, including up to eight coherent outputs with continuity. In the briefing, Li also framed thinking and Pro as “juiced-up” versions of the base model with tool use, and said these advanced modes are slower, not faster, because they do more reasoning and search behind the scenes. What remains unclear is the exact feature boundary between Thinking and Pro . The materials say Pro users get access to more advanced image generation, but they do not spell out whether that means higher quality, higher limits, higher resolution, more outputs, or some other advantage distinct from thinking itself. For enterprise users, the safest way to think about the differences is not as three totally separate products, but as a spectrum from fast default generation to slower, more agentic, more structured generation . If a team needs quick creative drafts, marketing concepts, simple graphics, or everyday image edits, the base Images 2.0 model appears to be the relevant default. If the task involves factual grounding, transforming internal documents into explainers, creating multi-image sets, or maintaining consistency across a sequence of assets, the more important distinction is whether the organization has access to thinking-enabled outputs. Until OpenAI provides a clearer Pro-versus-Thinking breakdown, enterprise buyers should treat “thinking” as the meaningful functional upgrade and treat “Pro” as a possibly higher-end access tier whose exact incremental benefits still need clarification before procurement or workflow planning. S afety standards OpenAI’s says ChatGPT Images 2.0 offers a\"multi-layered stack\" of safety protocols, including: Provenance: Adhering to industry standards for watermarking so that AI-generated images are identifiable. Model Safeguards: Using advanced perception models to filter out harmful or abusive content for both adults and children. Active Monitoring: Enforcing user policies through real-time reporting. Li emphasized that while their philosophy is to \"maximize user creativity,\" they maintain strict policies against election interference. What it means for enterprise users The shift from Images 1.5 to 2.0 is more than a resolution bump. By integrating reasoning, OpenAI is attempting to solve the \"intent gap\" that has plagued AI art since its inception. When you ask an AI for an \"infographic about supply and demand,\" you aren't just looking for a picture; you are looking for a logical layout of information. The \"Interior Design\" sample (Japandi Furnishing Concept) highlights this systemic thinking. The model didn't just generate a room; it created a cohesive floor plan, a color palette, a list of materials, and \"inspiration\" shots that all adhere to a singular aesthetic. This is what OpenAI calls moving from a \"tool\" to a \"visual system\". However, this increased capability comes with a trade-off in speed. For the professional user, this is likely a worthwhile exchange: waiting an extra minute for a \"production-ready asset\" is still significantly faster than the hours required for manual design. As ChatGPT Images 2.0 rolls out, it marks the beginning of an era where AI doesn't just assist in making art, but in conducting \"economically valuable creative tasks\". Whether it can truly replace the intentionality of a human designer remains to be seen, but with 2K resolution, multilingual fluency, and the ability to \"think\" before it acts, OpenAI has certainly closed the distance.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/1oLxFxfGFj9SctaWVV5dCq\/4d7928375d881cfc6abc296dc0edfd8c\/ChatGPT_Image_Apr_21__2026__02_55_37_PM.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/openais-chatgpt-images-2-0-is-here-and-it-does-multilingual-text-full-infographics-slides-maps-even-manga-seemingly-flawlessly",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يتوفر الآن برنامج ChatGPT Images 2.0 من OpenAI وهو يقدم نصوصًا متعددة اللغات ورسوم بيانية كاملة وشرائح وخرائط وحتى مانغا - على ما يبدو بلا عيوب",
            "summary_ar": "لقد مرت بضعة أشهر فقط منذ أن أصدرت OpenAI آخر تحسين كبير لأجيال صور الذكاء الاصطناعي في ChatGPT ومن خلال واجهة برمجة التطبيقات (API) - وهي نموذج جديد لتوليد الصور يُعرف باسم GPT-Image-1.5، والذي تم إصداره في ديسمبر 2025، والذي أدى إلى تحسين متابعة التعليمات والألوان والإضاءة. الآن، بعد أسابيع من الاختبار، تكشف الشركة التي بدأت طفرة الذكاء الاصطناعي التوليدي عن تحديث أكثر دراماتيكية وأكثر إثارة للإعجاب: ChatGPT Images 2.0، والذي كان متاحًا بشكل غير سري لعدة أسابيع على LM Arena AI، وهي منصة اختبار تابعة لجهة خارجية تستخدمها OpenAI ومقدمو نماذج الذكاء الاصطناعي الرئيسيون الآخرون للحصول على تعليقات مبكرة، تحت اسم \"الشريط اللاصق\". طوال تلك الفترة، لقد أذهلت بالفعل عقول المستخدمين الأوائل بقدرتها",
            "body_ar": "لقد مرت بضعة أشهر فقط منذ أن أصدرت OpenAI آخر تحسين كبير لأجيال صور الذكاء الاصطناعي في ChatGPT ومن خلال واجهة برمجة التطبيقات (API) - وهي نموذج جديد لتوليد الصور يُعرف باسم GPT-Image-1.5، والذي تم إصداره في ديسمبر 2025، والذي أدى إلى تحسين متابعة التعليمات والألوان والإضاءة. الآن، بعد أسابيع من الاختبار، تكشف الشركة التي بدأت طفرة الذكاء الاصطناعي التوليدي عن تحديث أكثر دراماتيكية وأكثر إثارة للإعجاب: ChatGPT Images 2.0، والذي كان متاحًا بشكل غير سري لعدة أسابيع على LM Arena AI، وهي منصة اختبار تابعة لجهة خارجية تستخدمها OpenAI ومقدمو نماذج الذكاء الاصطناعي الرئيسيون الآخرون للحصول على تعليقات مبكرة، تحت اسم \"الشريط اللاصق\". طوال تلك الفترة، أذهلت عقول المستخدمين الأوائل بالفعل بقدرتها على إنشاء كتل طويلة من النص أو لوحات نصية متباينة داخل الصورة نفسها، وتوليدها الواقعي بجنون لواجهات المستخدم ولقطات الشاشة من مواقع الويب والمنصات الشهيرة، واستنساخها لشخصيات حقيقية مثل المؤسس المشارك لشركة OpenAI والرئيس التنفيذي Sam Altman، وقدرتها على إجراء بحث على الويب ووضع النتائج في الصورة نفسها. الآن، يتم طرحه رسميًا لمستخدمي ChatGPT على جميع المستويات، وتؤكد OpenAI أنها يمكنها أيضًا إنتاج مخططات للأرضيات وشبكات صور ومجموعات من العديد من الصور الأصغر حجمًا ونماذج شخصيات من زوايا متعددة، وتطبيق كل هذه الميزات تقريبًا على الصور التي تم تحميلها بواسطة المستخدم أيضًا. يمثل التحديث، الذي يشمل نموذج gpt-image-2 الجديد لمستخدمي واجهة برمجة التطبيقات (API) ومجموعة من ميزات \"التفكير\" لمشتركي ChatGPT، تحولًا أساسيًا في كيفية رؤية الشركة للوسائط المرئية. كما جاء في ملاحظات الإصدار الرسمي، \"الصور هي لغة، وليست زخرفة. الصورة الجيدة تفعل ما تفعله الجملة الجيدة - إنها تختار، وترتب، وتكشف\". لم تقم OpenAI بإصدار معايير لنا مسبقًا بشأن ChatGPT Images 2.0، ولكن من الآمن أن نقول إن النموذج يعمل على \"أحدث ما توصلت إليه التكنولوجيا\" استنادًا إلى جميع المخرجات التي رأيتها. تأتي هذه الخطوة في الوقت الذي شهدت فيه مساحة نماذج صور الذكاء الاصطناعي منافسة متزايدة، خاصة مع إصدار نموذج إنشاء الصور Nano Banana 2 من Google (المعروف أيضًا باسم Gemini 3 Pro Image أو Gemini 3.1 Pro Image) في فبراير 2026، والذي قدم أيضًا خيارات نصية كثيفة \"مخبأة في\" صور مشابهة لـ ChatGPT Images 2.0. ولكن يبدو أن إخلاص الأخير في إعادة إنتاج واجهات المستخدم، ولقطات الشاشة، وحزم الصور المتعددة في وقت واحد يتجاوز حتى قدرات نموذج الصور الأحدث من Google في اختباري الموجز واستخدامي القصصي ومراقبة صور المستخدمين الآخرين. أعاد المتحدثون الرسميون والباحثون في OpenAI التأكيد على التزامات الشركة بالسلامة ووضع علامات على مخرجات الصور الخاصة بها بالبيانات الوصفية مثل الذكاء الاصطناعي الناتج في مواجهة التقارير المتزايدة - بما في ذلك تقرير صدر مؤخرًا من صحيفة نيويورك تايمز - حول الشخصيات التي أنشأها مستخدمو الذكاء الاصطناعي (AI UGC) والتي يتم استخدامها كبذرة لمقاطع فيديو الذكاء الاصطناعي الواقعية المنشورة بشكل جماعي على وسائل التواصل الاجتماعي كجزء من حملات التأثير السياسي، بما في ذلك إظهار الدعم للرئيس الأمريكي دونالد جيه. ترامب مع جيش من الأشخاص الوهميين الذين يتنكرون في هيئة \"أمريكيين حقيقيين\". عندما سألت VentureBeat في مؤتمر صحفي مغلق مباشرة عن هذه القصة وإمكانية استخدام GPT Images 2.0 في حملات خادعة أو حملات إعلانية\/تأثير، أجابت أديل لي، مديرة منتج OpenAI لـ ChatGPT Images: \"نحن نأخذ السلامة والأمن على محمل الجد بشكل لا يصدق. وهذا يشمل أي شيء عندما يتعلق الأمر بالتدخل السياسي أو الانتخابي. وهكذا، في حين أن المنصات والشركات الأخرى قد لا تتمتع بهذه الضمانات، فإن ChatGPT تمتلكها، ونحن نتولى مراقبة وحماية مستخدمينا، بالإضافة إلى التأثير الذي تحدثه صورنا أثناء إنشائها، على محمل الجد بشكل لا يصدق.. في العامين الماضيين، رأينا الكثير من الداخلين الجدد إلى مجال إنشاء الصور بمعايير وفلسفات مختلفة مثل ChatGPT، لكننا بقينا ثابتين خلال كل ذلك، ونحن فخورون حقًا بإصدار هذا النموذج من حيث صلته بـ ChatGPT. قدرات متقدمة، ولكن القيام بذلك بطريقة آمنة ومحمية.\" كما أكدت OpenAI أيضًا أنها تتخلى عن GPT-Image-1.5 كنموذج افتراضي عبر مجموعتها، على الرغم من أنه سيظل قابلاً للوصول عبر واجهة برمجة التطبيقات للحصول على الدعم القديم. يشير هذا الانتقال إلى ثقة OpenAI في أن نموذج 2.0 هو بديل متميز لكل من المهام الإبداعية غير الرسمية وعالية القيمة. عصر الاستدلال لتوليد صور الذكاء الاصطناعي إن التقدم التقني الأكثر أهمية في Images 2.0 هو تكامل قدرات الاستدلال \"O-series\" الخاصة بـ OpenAI. تاريخيًا، عملت نماذج الصور كمربعات سوداء: حيث تقوم بتوفير مطالبة، ويتم إنشاء مخرجات واحدة. تقدم الصور 2.0 نهجًا \"وكيلًا\". عندما يختار المستخدم نموذج \"التفكير\" داخل ChatGPT، لم يعد النظام \"يرسم\" فحسب؛ فهو يبحث ويخطط ويفكر من خلال بنية الصورة قبل عرض البكسل الأول. خلال مؤتمر صحفي مباشر، أظهر لي هذا المنطق عن طريق تحميل ملف PowerPoint معقد يتعلق باستراتيجيات المنتج الداخلية. بدلاً من مجرد إنشاء صورة ذات صلة، قام النموذج بتجميع البيانات الأساسية للمستند، وتحديد الشعارات الصحيحة، وإنتاج ملصق احترافي يحافظ على المدخلات الأسلوبية المحددة للملف الأصلي. في اختباري الموجز - لقد مُنحت حق الوصول الليلة الماضية واختبرته على بضعة أجيال هذا الصباح - يعد ChatGPT Images 2.0 أول نموذج صورة من OpenAI وواحد من نموذجين فقط (Nano Banana 2 هو النموذج الآخر) الذي يمكنه على ما يبدو إعادة إنتاج خريطة بدقة لمدى إمبراطوريات الأزتيك والمايا والإنكا على ارتفاعاتها إلى جانب وسيلة إيضاح واضحة تمامًا، مما يجعلها مفيدة للأغراض التعليمية أو التدريبية الداخلية حول المعرفة والجغرافيا العالمية. تسمح إمكانية الاستدلال هذه أيضًا للنموذج بالبحث في الويب في الوقت الفعلي لضمان الدقة المرئية للأحداث الجارية أو الأعمال الفنية المحددة. ويدعم ذلك قطع المعرفة الأحدث بشكل ملحوظ في ديسمبر 2025، وهو قفزة كبيرة عن التكرارات السابقة التي كافحت مع السياق الحديث. وقد تم \"تجديد البنية الأساسية من الصفر\"، وفقًا لقائد البحث بويوان تشن. في حين رفض تشين تأكيد ما إذا كان النموذج يستخدم تقنية الانتشار التقليدية أو تقنية الانحدار التلقائي، فقد وصفه بأنه \"نموذج عام\" أو \"GPT للصور\" يمكنه التعامل مع تحولات المنظور على النمط ثلاثي الأبعاد والتفكير المكاني المعقد من خلال مطالبات نصية بسيطة. الدقة والدعم متعدد اللغات والعامل المبهر يتم تحديد تجربة المنتج لـ Images 2.0 من خلال ثلاث ركائز رئيسية: الطباعة والتنوع اللغوي والاتساق المتسلسل. إحدى أكثر \"الروايات\" المستمرة للصور التي تم إنشاؤها بواسطة الذكاء الاصطناعي هي عدم القدرة على تقديم نص مقروء. تدعي شركة OpenAI أن تطبيق Images 2.0 يمثل \"تغييرًا كبيرًا\" في هذا القسم. أصبح النموذج الآن قادرًا على إنتاج طباعة قابلة للقراءة حتى في التراكيب الكثيفة، مثل المخططات العلمية أو القوائم أو ملصقات الرسوم البيانية. توضح نظرة على عينة \"غلاف المجلة\" المقدمة (Open Scifi) هذه الدقة: كل عنوان ورقم المجلد وحتى تاريخ \"العرض حتى\" على الرمز الشريطي يتم عرضه بمحاذاة واضحة واحترافية تعكس التخطيطات التي صممها الإنسان. وتمتد هذه القدرة إلى وضع \"التفكير\"، حيث يمكن للنموذج إنشاء مرئيات تعليمية من ثلاث صفحات - مكتملة بالاختبارات - والتي تحافظ على تدفق تعليمي ثابت. لقد عالجت OpenAI أيضًا التحيز الغربي طويل الأمد في صور الذكاء الاصطناعي. يوصف Images 2.0 بأنه نموذج \"متعدد اللغات\" مع مكاسب كبيرة في عرض النصوص غير اللاتينية. وعلى وجه التحديد، يدعم النموذج الآن إنشاء نص عالي الدقة باللغات اليابانية والكورية والصينية والهندية والبنغالية. في مخطط \"اللغة العالمية\" المتوفر، والذي يشرح دورة المياه، نجح النموذج في عرض الأحرف الكورية المعقدة (الهانغول) ضمن تخطيط تعليمي. لا يتم ترجمة النص فقط؛ \"يتم تقديمه بشكل صحيح ولكن باستخدام لغة تتدفق بشكل متماسك،\" مما يضمن أن التسميات والتفسيرات تبدو مدمجة بشكل أصلي في التصميم. بالنسبة للمبدعين الذين يعملون على القصص المصورة أو حملات العلامات التجارية، فإن الميزة الجديدة الأكثر تأثيرًا هي القدرة على إنشاء ما يصل إلى ثماني صور مميزة من مطالبة واحدة. والأهم من ذلك، أن هذه الصور تحافظ على \"استمرارية الشخصية والكائن\" عبر السلسلة. وأشار لي إلى أن هذا يحل سير العمل \"المرهق\" حيث كان على المستخدمين في السابق المطالبة بصورة واحدة في كل مرة ودمجها معًا يدويًا. تتيح هذه الميزة إنشاء تسلسلات مانغا كاملة، أو كتب أطفال، أو مجموعة من رسومات الوسائط الاجتماعية التي تشترك في نفس الحمض النووي البصري. الترخيص والتوافر تعكس استراتيجية طرح OpenAI دفعة واضحة نحو التبني المهني والمؤسسي. على الرغم من أن النموذج الأساسي متاح لجميع المستخدمين - بما في ذلك المستخدمين الموجودين في الطبقة المجانية - إلا أن إمكانات \"Thinking\" و\"Pro\" المتقدمة محجوزة للطبقات المدفوعة. المستخدمون المجانيون: يمكنهم الوصول إلى نموذج ImageGen 2.0 الأساسي للمهام القياسية. مستخدمو Plus وPro: يمكنهم الوصول إلى إمكانات \"التفكير\"، والتي تتضمن استخدام الأدوات والبحث على الويب وإنشاء صور متعددة. المستخدمون المحترفون: احصل على وصول إضافي إلى نماذج \"ImageGen Pro\" لإنشاء صور أكثر تقدمًا. مطورو واجهة برمجة التطبيقات: يمكنهم دمج gpt-image-2، الذي يدعم دقة تصل إلى 4K (في النسخة التجريبية حاليًا) ونسب عرض إلى ارتفاع مرنة تتراوح من 3:1 إلى 1:3. والأمر الواضح حتى الآن هو أن شركة OpenAI تصف ثلاث طبقات عملية للوصول، حتى لو لم تنشر مصفوفة دقيقة لكل طبقة على حدة. خط الأساس هو ChatGPT Images 2.0، والذي ينص منشور مدونة OpenAI على أنه متاح لجميع مستخدمي ChatGPT وCodex ويتضمن تحسينات النموذج الأساسية: متابعة أفضل للتعليمات، وعرض نص أقوى، ومكاسب متعددة اللغات، ونسب عرض إلى ارتفاع أوسع، ومخرجات أكثر صقلًا وقابلة للاستخدام في الإنتاج. وفوق ذلك يأتي \"التفكير\"، الذي يحدده الإصدار بشكل أكثر تحديدًا: عند تحديد نموذج تفكير، يمكن للنظام أن يستغرق المزيد من الوقت، واستخدام الويب، وتحليل المواد التي تم تحميلها، والتفكير من خلال التخطيط قبل الإنشاء، وإنتاج صور متعددة متميزة في وقت واحد، بما في ذلك ما يصل إلى ثمانية مخرجات متماسكة مع الاستمرارية. في الإحاطة الإعلامية، قام لي أيضًا بتأطير التفكير وPro كإصدارات \"مُحسّنة\" من النموذج الأساسي مع استخدام الأداة، وقال إن هذه الأوضاع المتقدمة أبطأ وليست أسرع، لأنها تقوم بمزيد من التفكير والبحث خلف الكواليس. ما يظل غير واضح هو حدود الميزة الدقيقة بين Thinking وPro. تقول المواد إن مستخدمي Pro يمكنهم الوصول إلى إنشاء صور أكثر تقدمًا، لكنهم لا يوضحون ما إذا كان ذلك يعني جودة أعلى، أو حدودًا أعلى، أو دقة أعلى، أو المزيد من المخرجات، أو بعض المزايا الأخرى التي تختلف عن التفكير نفسه. بالنسبة لمستخدمي المؤسسات، فإن الطريقة الأكثر أمانًا للتفكير في الاختلافات ليست كثلاثة منتجات منفصلة تمامًا، ولكن كنطاق من الإنشاء الافتراضي السريع إلى الإنشاء الأبطأ والأكثر فاعلية والأكثر تنظيمًا. إذا كان الفريق يحتاج إلى مسودات إبداعية سريعة، أو مفاهيم تسويقية، أو رسومات بسيطة، أو تعديلات يومية للصور، فيبدو أن نموذج Images 2.0 الأساسي هو النموذج الافتراضي ذي الصلة. إذا كانت المهمة تتضمن أسسًا واقعية، أو تحويل المستندات الداخلية إلى تفسيرات، أو إنشاء مجموعات صور متعددة، أو الحفاظ على الاتساق عبر سلسلة من الأصول، فإن التمييز الأكثر أهمية هو ما إذا كانت المنظمة لديها إمكانية الوصول إلى المخرجات التي تدعم التفكير. وإلى أن توفر OpenAI تفصيلاً أكثر وضوحًا للتفكير المؤيد مقابل التفكير، يجب على المشترين من المؤسسات التعامل مع \"التفكير\" باعتباره ترقية وظيفية ذات معنى والتعامل مع \"التفكير الاحترافي\" باعتباره طبقة وصول أعلى محتملة لا تزال فوائدها الإضافية الدقيقة بحاجة إلى توضيح قبل الشراء أو تخطيط سير العمل. معايير السلامة تقول OpenAI إن ChatGPT Images 2.0 يقدم \"مجموعة متعددة الطبقات\" من بروتوكولات الأمان، بما في ذلك: المصدر: الالتزام بمعايير الصناعة لوضع العلامات المائية بحيث يمكن التعرف على الصور التي تم إنشاؤها بواسطة الذكاء الاصطناعي. الضمانات النموذجية: استخدام نماذج التصور المتقدمة لتصفية المحتوى الضار أو المسيء لكل من البالغين والأطفال. المراقبة النشطة: فرض سياسات المستخدم من خلال إعداد التقارير في الوقت الفعلي. وأكد لي أنه على الرغم من أن فلسفتهم تتمثل في \"تعظيم إبداع المستخدم\"، إلا أنهم يحافظون على سياسات صارمة ضد التدخل في الانتخابات. ماذا يعني بالنسبة لمستخدمي المؤسسات؟ يعد التحول من Images 1.5 إلى 2.0 أكثر من مجرد زيادة في الدقة. من خلال دمج المنطق، تحاول OpenAI حل \"فجوة النية\" التي ابتلي بها فن الذكاء الاصطناعي منذ بدايته. عندما تطلب من الذكاء الاصطناعي \"رسمًا بيانيًا حول العرض والطلب\"، فأنت لا تبحث فقط عن صورة؛ كنت تبحث عن تخطيط منطقي للمعلومات. نموذج \"التصميم الداخلي\" (مفهوم الأثاث الياباني) يسلط الضوء على هذا التفكير المنهجي. لم يقتصر النموذج على إنشاء غرفة فحسب؛ لقد أنشأت مخططًا متماسكًا للأرضية ولوحة ألوان وقائمة من المواد ولقطات \"ملهمة\" تلتزم جميعها بجمالية فريدة. هذا ما يسميه OpenAI الانتقال من \"الأداة\" إلى \"النظام المرئي\". ومع ذلك، فإن هذه القدرة المتزايدة تأتي مع مقايضة في السرعة. بالنسبة للمستخدم المحترف، من المحتمل أن يكون هذا تبادلًا مفيدًا: فالانتظار لمدة دقيقة إضافية للحصول على \"أصل جاهز للإنتاج\" لا يزال أسرع بكثير من الساعات المطلوبة للتصميم اليدوي. مع طرح ChatGPT Images 2.0، فإنه يمثل بداية عصر لا يساعد فيه الذكاء الاصطناعي في صنع الفن فحسب، بل في إجراء \"المهام الإبداعية ذات القيمة الاقتصادية\". يبقى أن نرى ما إذا كان بإمكانه حقًا أن يحل محل قصدية المصمم البشري، ولكن مع دقة 2K، والطلاقة في تعدد اللغات، والقدرة على \"التفكير\" قبل أن يتصرف، فقد أغلقت OpenAI بالتأكيد الطريق إلى الأمام. مسافة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1136158\/building-agent-first-governance-and-security\/",
            "title_en": "Building agent-first governance and security",
            "summary_en": "As AI agents increasingly work alongside humans across organizations, companies could be inadvertently opening a new attack surface. Insecure agents can be manipulated to access sensitive systems and proprietary data, increasing enterprise risk. In some modern enterprises, non-human identities (NHI) are outpacing human identities, and that trend will explode with agentic AI. Solid governance and a fortified security foundation are therefore critical. According to the Deloitte AI Institute 2026 State of AI report, nearly 74% of companies plan to deploy agentic AI within two years. Yet only one in five (21%) reports having a mature model for governance of autonomous agents. Executives are most concerned with data privacy and security (73%); legal, intellectual property, and regulatory compli",
            "body_en": "As AI agents increasingly work alongside humans across organizations, companies could be inadvertently opening a new attack surface. Insecure agents can be manipulated to access sensitive systems and proprietary data, increasing enterprise risk. In some modern enterprises, non-human identities (NHI) are outpacing human identities, and that trend will explode with agentic AI. Solid governance and a fortified security foundation are therefore critical. According to the Deloitte AI Institute 2026 State of AI report, nearly 74% of companies plan to deploy agentic AI within two years. Yet only one in five (21%) reports having a mature model for governance of autonomous agents. Executives are most concerned with data privacy and security (73%); legal, intellectual property, and regulatory compliance (50%); followed closely by governance capabilities and oversight (46%). DOWNLOAD THE ARTICLE Enterprises may not even realize they are treating agents within their environment as first-class citizens with the keys to the kingdom, creating looming blind spots and potential points of exposure. What is needed is a robust control plane that governs, observes, and secures how AI agents, as well as their tools and models, operate across the enterprise. “A control plane is the shared, centralized layer governing who can run which agents, with which permissions, under which policies, and using which models and tools,” according to Andrew Rafla, principal, Deloitte Cyber Practice. “Without a true control plane, you don’t really have the ability to scale agents autonomously—you just have unmanaged execution, and that comes with a lot of risk,” he says. “If you can’t answer what an agent did, on whose behalf, using what data, under what policy—and whether you can reproduce or stop it—you don’t have a functional control plane.” Governance must make those answers obvious, not aspirational, he says. Governance is what turns AI pilots into production use cases. It’s the bridge that lets companies move from impressive experiments to safe, repeatable, enterprise-wide automation. Without governance, agent deployments don’t fail safely. They fail unpredictably and at scale. Download the article. This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/Deloitte-v2-Landing-Page-Card-1.png",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/21\/1136158\/building-agent-first-governance-and-security\/",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "بناء الحوكمة والأمن للوكيل أولاً",
            "summary_ar": "نظرًا لأن عملاء الذكاء الاصطناعي يعملون بشكل متزايد جنبًا إلى جنب مع البشر عبر المؤسسات، فقد تفتح الشركات عن غير قصد سطحًا جديدًا للهجوم. يمكن التلاعب بالعوامل غير الآمنة للوصول إلى الأنظمة الحساسة وبيانات الملكية، مما يزيد من مخاطر المؤسسة. في بعض المؤسسات الحديثة، تتفوق الهويات غير البشرية على الهويات البشرية، وسوف ينفجر هذا الاتجاه مع الذكاء الاصطناعي الوكيل. ومن ثم فإن الحكم الراسخ والأساس الأمني ​​المتين أمر بالغ الأهمية. وفقًا لتقرير حالة الذكاء الاصطناعي لعام 2026 الصادر عن معهد ديلويت للذكاء الاصطناعي، تخطط ما يقرب من 74% من الشركات لنشر الذكاء الاصطناعي الوكيل في غضون عامين. ومع ذلك، أفاد واحد فقط من كل خمسة (21%) بوجود نموذج ناضج لحوكمة الوكلاء المستقلين. يهتم المسؤولون التنفيذيون أكثر بخصوصية البيانات وأمنها (73%)؛ القانونية والملكية الفكرية والتنظيمية متوافق",
            "body_ar": "نظرًا لأن عملاء الذكاء الاصطناعي يعملون بشكل متزايد جنبًا إلى جنب مع البشر عبر المؤسسات، فقد تفتح الشركات عن غير قصد سطحًا جديدًا للهجوم. يمكن التلاعب بالعوامل غير الآمنة للوصول إلى الأنظمة الحساسة وبيانات الملكية، مما يزيد من مخاطر المؤسسة. في بعض المؤسسات الحديثة، تتفوق الهويات غير البشرية على الهويات البشرية، وسوف ينفجر هذا الاتجاه مع الذكاء الاصطناعي الوكيل. ومن ثم فإن الحكم الراسخ والأساس الأمني ​​المتين أمر بالغ الأهمية. وفقًا لتقرير حالة الذكاء الاصطناعي لعام 2026 الصادر عن معهد ديلويت للذكاء الاصطناعي، تخطط ما يقرب من 74% من الشركات لنشر الذكاء الاصطناعي الوكيل في غضون عامين. ومع ذلك، أفاد واحد فقط من كل خمسة (21%) بوجود نموذج ناضج لحوكمة الوكلاء المستقلين. يهتم المسؤولون التنفيذيون أكثر بخصوصية البيانات وأمنها (73%)؛ الامتثال القانوني والملكية الفكرية والتنظيمية (50٪)؛ تليها مباشرة قدرات الحوكمة والرقابة (46%). قم بتنزيل المقال قد لا تدرك الشركات حتى أنها تعامل العملاء داخل بيئتها كمواطنين من الدرجة الأولى لديهم مفاتيح المملكة، مما يخلق نقاط عمياء تلوح في الأفق ونقاط انكشاف محتملة. ما نحتاج إليه هو مستوى تحكم قوي يحكم ويراقب ويؤمن كيفية عمل وكلاء الذكاء الاصطناعي، بالإضافة إلى أدواتهم ونماذجهم، في جميع أنحاء المؤسسة. \"إن مستوى التحكم هو الطبقة المركزية المشتركة التي تحكم من يمكنه تشغيل أي وكلاء، وبأي أذونات، وبموجب أي سياسات، واستخدام النماذج والأدوات،\" وفقًا لما ذكره أندرو رافلا، مدير شركة Deloitte Cyber ​​Practice. ويقول: \"بدون مستوى تحكم حقيقي، لن يكون لديك حقًا القدرة على توسيع نطاق العملاء بشكل مستقل، بل سيكون لديك فقط تنفيذ غير مُدار، وهذا يأتي مع الكثير من المخاطر\". \"إذا لم تتمكن من الإجابة على ما فعله العميل، وبالنيابة عن من، وبأي بيانات، وبموجب أي سياسة - وما إذا كان بإمكانك إعادة إنتاجه أو إيقافه - فلن يكون لديك مستوى تحكم وظيفي.\" ويقول إن الحوكمة يجب أن تجعل هذه الإجابات واضحة، وليست طموحة. الحوكمة هي ما يحول طياري الذكاء الاصطناعي إلى حالات استخدام للإنتاج. إنه الجسر الذي يتيح للشركات الانتقال من التجارب المثيرة للإعجاب إلى الأتمتة الآمنة والقابلة للتكرار على مستوى المؤسسة. بدون الحوكمة، لن تفشل عمليات نشر الوكلاء بشكل آمن. إنهم يفشلون بشكل غير متوقع وعلى نطاق واسع. قم بتنزيل المقال. تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي ​​تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/kimi-k2-6-runs-agents-for-days-and-exposes-the-limits-of-enterprise-orchestration",
            "title_en": "Kimi K2.6 runs agents for days — and exposes the limits of enterprise orchestration",
            "summary_en": "Most orchestration frameworks were built for agents that run for seconds or minutes. Now that agents are running for hour s — and in some cases days — those frameworks are starting to crack. Several model providers, such as Anthropic with Claude Code and OpenAI with Codex, introduced early support for long-horizon agents through multi-session tasks, subagents and background execution. However, these systems sometimes assume agents are still operating within bounded-time workflows even when they run for extended periods. Open-source model provider Moonshot AI wants to push beyond that with its new model, Kimi K2.6. Moonshot says the model is designed for continuous execution, with internal use cases including agents that ran for hours and, in one case, five straight days, handling monitorin",
            "body_en": "Most orchestration frameworks were built for agents that run for seconds or minutes. Now that agents are running for hour s — and in some cases days — those frameworks are starting to crack. Several model providers, such as Anthropic with Claude Code and OpenAI with Codex, introduced early support for long-horizon agents through multi-session tasks, subagents and background execution. However, these systems sometimes assume agents are still operating within bounded-time workflows even when they run for extended periods. Open-source model provider Moonshot AI wants to push beyond that with its new model, Kimi K2.6. Moonshot says the model is designed for continuous execution, with internal use cases including agents that ran for hours and, in one case, five straight days, handling monitoring and incident response autonomously. But this growing use of this type of agent is exposing a critical gap in orchestration: most orchestration frameworks were not designed for this type of continuous, stateful execution. Open-source models, such as Kimi K2.6, that rely on agent swarms are making the case that their orchestration approach comes close to managing stateful agents. The difficulties of orchestrating long-running agents While it is true that some enterprises would rather bring their own orchestration frameworks to their agentic ecosystem, model providers and agent platforms recognize that offering agent management remains a competitive advantage. Other model providers have begun exploring long-running agents, many through multi-session tasks and background execution. For example, Anthropic’s Claude Code orchestrates agents with a lead agent that directs other agents based on a set of user-instructed definitions. OpenAI’s Codex runs similarly . Kimi K2.6 approaches orchestration with an improved version of its Agent Swarms, capable of managing up to 300 sub-agents “executing across 4,000 coordinated steps simultaneously,” Moonshot AI wrote in a blog post . Compared to both Claude Code and Codex, K2.6 relies on the model, rather than pre-defined roles, to determine orchestration. Kimi K2.6 is now available on Hugging Face, through its API, Kimi Code and the Kimi app. Practitioners experimenting with long-horizon agents say the brittleness runs deeper than prompting can fix. As one practitioner, Maxim Saplin, put it in a blog post , “That does not mean subagents are useless. It means orchestration is still fragile. Right now, it feels more like a product and training problem than something you can solve by writing a sufficiently stern prompt.” The problem long-running agents pose is that it’s difficult to maintain their state, especially as their environment continues to change while they're doing their job. The agent would constantly call different tools and APIs or tap into different databases during its runtime. Most current agents, those that may run for one or two executions, do call different tools, but for at most a minute. Mark Lambert, chief product officer at ArmorCode, which builds an autonomous security platform for enterprises, told VentureBeat in an email that the governance gap is already outpacing deployment. \"These agentic systems can now generate code and system changes faster than most organizations can review, remediate, or govern them. This will require more than just additional scanning. Organizations will need stronger AI governance that provides the context, prioritization, and accountability teams need to manage Kimi and other AI-generated risk before they turn into accumulated exposure,\" Lambert said. Long-running agents could also risk failure without a clear rollback. Most importantly, these types of agents often lack a set of well-defined tasks and dynamically adjust their plans as they run. Kunal Anand, chief product officer at F5, told VentureBeat in an email that long-horizon agents represent a much bigger architectural shift than most companies were prepared for. “We went from scripts to services to containers to functions, and now to agents as persistent infrastructure. That creates categories we do not yet have good names for: agent runtime, agent gateway, agent identity provider, agent mesh. The API gateway pattern is morphing into something that has to understand goals and workflows, not just endpoints and verbs,” Anand said. Running for 13 hours and even five days Understanding how to orchestrate agents becomes important because model capabilities have begun to outpace orchestration innovations, even as enterprises start to look at long-horizon agents. Moonshot AI says the model is built for tasks that reflect \"real-world challenges that typically demand weeks or months of collective human effort.\" In a separate technical document provided to VentureBeat, Moonshot claims K2.6 built a full SysY compiler from scratch in 10 hours — work it characterized as equivalent to a team of four engineers over two months — and passed all 140 functional tests without human intervention. The team deployed K2.6 to complex engineering tasks, including overhauling an eight-year-old open source financial matching engine. Moonshot's engineers described a 13-hour execution that “iterated through 12 optimization strategies, initiating over 1,000 tool calls to modify more than 4,000 lines of code precisely.” Moonshot said one of its teams used K2.6 to build an agent that ran autonomously for five days. That agent managed monitoring, incident response and system operations.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/40fR9CpmE4uh4lmBKbjUoL\/5b2fdc6ef487f98dffd012e7c463e2f2\/crimedy7_illustration_of_robots_running_a_marathon_--ar_169_-_efc437bd-489e-444c-88e3-8cf58e91a063_3.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/kimi-k2-6-runs-agents-for-days-and-exposes-the-limits-of-enterprise-orchestration",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يقوم Kimi K2.6 بتشغيل الوكلاء لعدة أيام - ويكشف عن حدود تنسيق المؤسسة",
            "summary_ar": "تم إنشاء معظم أطر عمل التنسيق للوكلاء الذين يعملون لمدة ثوانٍ أو دقائق. والآن بعد أن أصبح الوكلاء يعملون لمدة ساعات - وفي بعض الحالات أيام - بدأت هذه الأطر في التصدع. قدم العديد من موفري النماذج، مثل Anthropic مع Claude Code وOpenAI مع Codex، دعمًا مبكرًا لوكلاء المدى الطويل من خلال المهام متعددة الجلسات والوكلاء الفرعيين والتنفيذ في الخلفية. ومع ذلك، تفترض هذه الأنظمة أحيانًا أن الوكلاء ما زالوا يعملون ضمن مهام سير عمل محددة المدة حتى عند تشغيلهم لفترات طويلة. يريد مزود النماذج مفتوحة المصدر Moonshot AI تجاوز ذلك من خلال نموذجه الجديد، Kimi K2.6. تقول Moonshot أن النموذج مصمم للتنفيذ المستمر، مع حالات الاستخدام الداخلي بما في ذلك الوكلاء الذين يعملون لساعات، وفي حالة واحدة، خمسة أيام متتالية، للتعامل مع com.monitorin",
            "body_ar": "تم إنشاء معظم أطر عمل التنسيق للوكلاء الذين يعملون لمدة ثوانٍ أو دقائق. والآن بعد أن أصبح الوكلاء يعملون لمدة ساعات - وفي بعض الحالات أيام - بدأت هذه الأطر في التصدع. قدم العديد من موفري النماذج، مثل Anthropic مع Claude Code وOpenAI مع Codex، دعمًا مبكرًا لوكلاء المدى الطويل من خلال المهام متعددة الجلسات والوكلاء الفرعيين والتنفيذ في الخلفية. ومع ذلك، تفترض هذه الأنظمة أحيانًا أن الوكلاء ما زالوا يعملون ضمن مهام سير عمل محددة المدة حتى عند تشغيلهم لفترات طويلة. يريد مزود النماذج مفتوحة المصدر Moonshot AI تجاوز ذلك من خلال نموذجه الجديد، Kimi K2.6. تقول Moonshot إن النموذج مصمم للتنفيذ المستمر، مع حالات الاستخدام الداخلي بما في ذلك الوكلاء الذين يعملون لساعات، وفي حالة واحدة، خمسة أيام متتالية، للتعامل مع المراقبة والاستجابة للحوادث بشكل مستقل. لكن هذا الاستخدام المتزايد لهذا النوع من الوكيل يكشف عن فجوة خطيرة في التنسيق: لم يتم تصميم معظم أطر التنسيق لهذا النوع من التنفيذ المستمر والمميز. النماذج مفتوحة المصدر، مثل Kimi K2.6، التي تعتمد على أسراب الوكلاء، تؤكد أن نهج التنسيق الخاص بها يقترب من إدارة الوكلاء ذوي الحالة. الصعوبات التي تواجه تنسيق الوكلاء على المدى الطويل في حين أنه من الصحيح أن بعض المؤسسات تفضل جلب أطر التنسيق الخاصة بها إلى نظامها البيئي الوكلاء، فإن مقدمي النماذج ومنصات الوكلاء يدركون أن تقديم إدارة الوكلاء يظل ميزة تنافسية. بدأ مقدمو النماذج الآخرون في استكشاف الوكلاء الذين يعملون لفترة طويلة، والعديد منهم من خلال مهام متعددة الجلسات والتنفيذ في الخلفية. على سبيل المثال، يقوم Claude Code الخاص بشركة Anthropic بتنسيق الوكلاء مع وكيل رئيسي يوجه الوكلاء الآخرين بناءً على مجموعة من التعريفات التي يوجهها المستخدم. يعمل برنامج Codex الخاص بـ OpenAI بالمثل. تقترب Kimi K2.6 من التنسيق من خلال نسخة محسنة من Agent Swarms، قادرة على إدارة ما يصل إلى 300 وكيل فرعي \"تنفذ عبر 4000 خطوة منسقة في وقت واحد\"، كما كتب Moonshot AI في منشور بالمدونة. بالمقارنة مع كل من Claude Code وCodex، يعتمد K2.6 على النموذج، بدلاً من الأدوار المحددة مسبقًا، لتحديد التنسيق. يتوفر Kimi K2.6 الآن على Hugging Face، من خلال واجهة برمجة التطبيقات (API) وKimi Code وتطبيق Kimi. يقول الممارسون الذين يجربون عوامل الأفق البعيد إن الهشاشة أعمق مما يمكن إصلاحه. وكما قال أحد الممارسين، مكسيم سابلين، في منشور على مدونته، \"هذا لا يعني أن الوكلاء الفرعيين عديمي الفائدة. بل يعني أن التنسيق لا يزال هشًا. في الوقت الحالي، يبدو الأمر وكأنه مشكلة منتج وتدريب أكثر من كونه شيئًا يمكنك حله عن طريق كتابة مطالبة صارمة بما فيه الكفاية. المشكلة التي يطرحها العملاء الذين يعملون لفترة طويلة هي أنه من الصعب الحفاظ على حالتهم، خاصة مع استمرار بيئتهم في التغير أثناء قيامهم بعملهم. يقوم الوكيل باستمرار باستدعاء أدوات وواجهات برمجة تطبيقات مختلفة أو الاستفادة من قواعد بيانات مختلفة أثناء وقت التشغيل. معظم الوكلاء الحاليين، أولئك الذين قد يتم تشغيلهم لعملية إعدام واحدة أو اثنتين، يستدعون أدوات مختلفة، ولكن لمدة دقيقة على الأكثر. قال مارك لامبرت، كبير مسؤولي المنتجات في شركة ArmorCode، التي تبني منصة أمنية مستقلة للمؤسسات، لموقع VentureBeat في رسالة بالبريد الإلكتروني إن فجوة الحوكمة تتجاوز بالفعل النشر. \"يمكن لهذه الأنظمة الوكيلة الآن إنشاء تغييرات في التعليمات البرمجية والنظام بشكل أسرع مما تستطيع معظم المؤسسات مراجعته أو معالجته أو التحكم فيه. سيتطلب هذا أكثر من مجرد مسح إضافي. وقال لامبرت: \"ستحتاج المؤسسات إلى حوكمة أقوى للذكاء الاصطناعي توفر السياق والأولويات والمساءلة التي تحتاجها الفرق لإدارة كيمي والمخاطر الأخرى الناتجة عن الذكاء الاصطناعي قبل أن تتحول إلى تعرض متراكم\". وقد يخاطر الوكلاء الذين يعملون لفترة طويلة أيضًا بالفشل دون تراجع واضح. والأهم من ذلك، غالبًا ما تفتقر هذه الأنواع من الوكلاء إلى مجموعة من المهام المحددة جيدًا وتقوم بتعديل خططها ديناميكيًا أثناء تشغيلها. قال كونال أناند، كبير مسؤولي المنتجات في F5، لـ VentureBeat في رسالة بالبريد الإلكتروني إن وكلاء الأفق البعيد يمثلون تحولًا معماريًا أكبر بكثير مما كانت معظم الشركات مستعدة له. \"لقد انتقلنا من البرامج النصية إلى الخدمات إلى الحاويات إلى الوظائف، والآن إلى الوكلاء كبنية تحتية ثابتة. وهذا يخلق فئات ليس لدينا أسماء جيدة لها بعد: وقت تشغيل الوكيل، وبوابة الوكيل، وموفر هوية الوكيل، وشبكة الوكيل. وقال أناند: \"إن نمط بوابة واجهة برمجة التطبيقات يتحول إلى شيء يجب أن يفهم الأهداف وسير العمل، وليس فقط نقاط النهاية والأفعال. إن العمل لمدة 13 ساعة وحتى خمسة أيام يصبح فهم كيفية تنسيق الوكلاء أمرًا مهمًا لأن قدرات النموذج بدأت تتفوق على ابتكارات التنسيق، حتى عندما بدأت المؤسسات في النظر إلى وكلاء المدى الطويل\". يقول Moonshot AI إن النموذج مصمم للمهام التي تعكس \"تحديات العالم الحقيقي التي تتطلب عادةً أسابيع أو أشهر من الجهد البشري الجماعي\". في وثيقة فنية منفصلة مقدمة إلى VentureBeat، تدعي Moonshot أن K2.6 قامت ببناء مترجم SysY كاملًا من الصفر في 10 ساعات - وهو العمل الذي وصفه بأنه يعادل فريقًا من أربعة مهندسين على مدار شهرين - واجتاز جميع الاختبارات الوظيفية البالغ عددها 140 دون تدخل بشري. استخدم الفريق K2.6 في مهام هندسية معقدة، بما في ذلك إصلاح محرك مطابقة مالية مفتوح المصدر عمره ثماني سنوات. وصف مهندسو Moonshot عملية تنفيذ مدتها 13 ساعة \"تم تكرارها من خلال 12 استراتيجية تحسين، مما أدى إلى بدء أكثر من 1000 استدعاء للأداة لتعديل أكثر من 4000 سطر من التعليمات البرمجية بدقة.\" وقالت شركة Moonshot إن أحد فرقها استخدم K2.6 لبناء وكيل يعمل بشكل مستقل لمدة خمسة أيام. قام هذا الوكيل بإدارة المراقبة والاستجابة للحوادث والنظام العمليات.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/what-ai-model-should-you-use-for-revenue-intelligence-von-says-all-the-big-ones-and-it-will-automate-mixing-and-matching-for-you",
            "title_en": "What AI model should you use for revenue intelligence? Von says all the big ones, and it will automate mixing and matching for you",
            "summary_en": "Looking at enterprise AI adoption, VentureBeat has anecdotally observed a fairly wide divergence when it comes to specific roles: For those who build—engineers and developers—the arrival of AI has been transformative, moving through the workflow with the speed of tools like Claude Code and Cursor to automate the heavy lifting of syntax and architecture. Yet, for those who sell, the \"revenue stack\" has remained a fragmented collection of data silos, manual CRM entries, and anecdotal reporting. Von , a new AI platform emerging from the team behind process automation startup Rattle , aims to bridge this gap. By positioning itself not as another \"point solution\" but as a foundational \"intelligence layer,\" Von seeks to do for Go-To-Market (GTM) teams what the modern IDE has done for the develop",
            "body_en": "Looking at enterprise AI adoption, VentureBeat has anecdotally observed a fairly wide divergence when it comes to specific roles: For those who build—engineers and developers—the arrival of AI has been transformative, moving through the workflow with the speed of tools like Claude Code and Cursor to automate the heavy lifting of syntax and architecture. Yet, for those who sell, the \"revenue stack\" has remained a fragmented collection of data silos, manual CRM entries, and anecdotal reporting. Von , a new AI platform emerging from the team behind process automation startup Rattle , aims to bridge this gap. By positioning itself not as another \"point solution\" but as a foundational \"intelligence layer,\" Von seeks to do for Go-To-Market (GTM) teams what the modern IDE has done for the developer: provide a single, reasoning interface that understands the entire business context. “AI has revolutionized the workflow for people who build things, but there is nothing that has revolutionized the workflow for people who sell those things,\" Von CEO Sahil Aggarwal said in a recent video call interview with VentureBeat. \"That is what we are trying to build with Von”. Technology: The context graph and multi-model engine At the core of Von’s capability is a departure from the traditional \"search bar\" approach to enterprise AI. While standard LLMs often struggle with the sprawling, unstructured nature of sales data, Von begins its deployment by building a \"context graph\" of a company’s entire business. This process involves ingesting structured data from CRMs like Salesforce and HubSpot, alongside unstructured data from call recorders (Gong, Zoom, Chorus), email threads, and internal documentation. \"Once Von builds this context graph, it will understand your business better than anyone else in the company,\" Aggarwal said. This understanding is rooted in a company’s specific \"ontology\"—the unique language of its deal stages, territory definitions, and institutional knowledge. \"We train these foundational models on a company’s own business and ontology to make the model work for them,\" the CEO addded. Instead of relying on a single large language model, Von utilizes a \"mixture of models\" strategy to optimize performance and cost. In this architecture, Anthropic's Claude is deployed for high-level reasoning and \"thinking,\" ChatGPT handles bulk data processing, and Google’s Gemini is utilized for generating creative assets such as decks and reports. This technical approach allows Von to resolve a common frustration in Sales Operations: the gap between what is logged in a CRM and what actually happened in a meeting. By cross-referencing call transcripts with Salesforce records, the system can identify discrepancies in \"lost reasons\" or verify deal health based on sentiment rather than just a rep’s manual update. From reporting queues to AI headcount Von is designed to function as an \"AI Data Scientist\" or a \"VP of RevOps\" that lives on top of the enterprise's existing revenue tracking tools. During an initial product demonstration, Aggarwal showed how the platform could analyze 101 SMB accounts to identify churn risk in just over three minutes—a task he estimates would take a human analyst one to two weeks. The platform’s primary interface resembles a chat environment, but the outputs are designed to be actionable revenue assets. Key functionalities include: Deal Health Monitoring : Cross-referencing calls and emails to surface \"risky\" commits that might otherwise go unnoticed until the end of a quarter. Automated Briefing : Generating pre-call context docs that draw from the entire history of an account, ensuring reps are briefed on every previous touchpoint. Win\/Loss Analysis : Clustered analysis of transcripts to find the \"true\" reasons for lost deals, often finding that the recorded reason in the CRM does not match the customer's actual feedback. Revenue Operations Automation : Handling \"low-level\" Salesforce admin tasks, such as creating flows, validation rules, or cleaning up account territories. The goal is to shift Revenue Operations (RevOps) from a \"reporting queue\" that handles ad-hoc data requests into an infrastructure layer. As Kieran Snaith, SVP of Revenue Operations at Qualified , noted in a Von testimonial blog post, the goal is to allow leaders to \"run the business in chat,\" asking complex questions about forecast confidence or pipeline risk and receiving data-backed answers instantly. Pivoting into 'the next Salesforce' Von is operated by Rattle Software Inc., a company that previously found success with \"Rattle,\" a mid-seven-figure revenue business focused on Salesforce-Slack integrations. Aggarwal describes Von as a significant pivot toward a larger opportunity, aiming to build \"the next Salesforce\". The business has seen rapid early traction, reportedly crossing $500,000 in revenue within its first eight weeks of launch, with projections to reach $10 million in its first year. The product is governed by a commercial, proprietary license typical of enterprise SaaS. Unlike open-source tools, Von’s \"restricted\" license means the underlying source code and the \"context graph\" technology are proprietary to Rattle Software Inc.. Users are granted a non-transferable, non-exclusive right to use the software for internal business purposes, with the company maintaining all rights, title, and interest in the service. This philosophy of deep integration extends to the broader SaaS ecosystem, where Aggarwal observes, \"Point solutions in SaaS are essentially dead. They will have a very hard time surviving in this world, because point solutions can now be white-coded within a company.\" Pricing follows a hybrid model of per-seat subscriptions and consumption-based credits. This structure is designed to scale with the persona using the tool; for instance, a Chief Revenue Officer (CRO) seat may cost $1,000 per month for deep strategic analysis, while individual seller seats may be as low as $20 per month for basic research and follow-up tasks. The company is currently backed by several tier-one venture capital firms, including Sequoia Capital, Lightspeed, Insight Partners, and GV (Google Ventures). Early adopter reaction The reaction from early adopters highlights a shift in how AI is being integrated into the sales org. Taylor Kelly, Head of Revenue Operations at Tapcart, remarked that \"Von handles the analysis and insights that would normally require hiring another full-time analyst,\" specifically citing its ability to handle complex Salesforce configurations and deal risk assessments. Similarly, Evan Briere, VP of Partnerships at DemandScience, noted that Von’s direct connection to data sources makes it \"actually applicable\" compared to more \"theoretical\" horizontal AI tools like ChatGPT. Other community feedback from the platform’s early users includes: CJ Oordt, Sales Director at Coalesce : Described it as a \"research assistant who knows every conversation and note\". Rob Janke, Director of Revenue Operations at QuickNode : Stated that Von \"solved this gap before we could even start building it ourselves\". Sydney, Head of Renewals at 15Five : Highlighted its impact on renewal intelligence, allowing her to analyze actual conversation signals across an entire book of business in minutes. The prevailing sentiment among these users is that Von serves as \"additional headcount\" rather than just a tool. This mirrors the company’s internal metrics, which report that Von is already completing over 10,000 revenue tasks per week for its customer base. An autonomous revenue org The introduction of Von signals a maturing of AI in the enterprise. We are moving past the era of \"AI as a feature\"—where a chatbot is simply bolted onto an existing CRM—toward \"AI as a persona\". By training foundational models on a company’s specific business logic, Von is attempting to create a system that doesn't just return data but offers \"judgment calls\".As organizations look toward the rest of 2026, the challenge for RevOps leaders will be one of trust and infrastructure. If Von can maintain its claimed 95% accuracy in predicting deal outcomes, the role of the human salesperson will inevitably shift toward higher-value relationship management, leaving the \"data science\" of sales to the agents. For now, Von remains a high-growth experiment in whether the \"intelligence layer\" can finally bring the same level of revolutionary workflow to the people who sell as it has to the people who build.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6cFi0TSIzUnGM9A9PX7piF\/233191a2283cef60993c78ef5b537e0f\/ChatGPT_Image_Apr_21__2026__10_21_56_AM.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/what-ai-model-should-you-use-for-revenue-intelligence-von-says-all-the-big-ones-and-it-will-automate-mixing-and-matching-for-you",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "ما هو نموذج الذكاء الاصطناعي الذي يجب عليك استخدامه لمعلومات الإيرادات؟ يقول Von كل العناصر الكبيرة، وسيعمل على أتمتة الخلط والمطابقة لك",
            "summary_ar": "بالنظر إلى اعتماد الذكاء الاصطناعي في المؤسسات، لاحظت شركة VentureBeat اختلافًا واسعًا إلى حد ما عندما يتعلق الأمر بأدوار محددة: بالنسبة لأولئك الذين يبنون - المهندسين والمطورين - كان وصول الذكاء الاصطناعي بمثابة تحويل، حيث انتقل عبر سير العمل بسرعة أدوات مثل Claude Code وCursor لأتمتة العمل الثقيل في بناء الجملة والهندسة المعمارية. ومع ذلك، بالنسبة لأولئك الذين يبيعون، ظلت \"مكدس الإيرادات\" عبارة عن مجموعة مجزأة من صوامع البيانات، وإدخالات إدارة علاقات العملاء اليدوية، والتقارير القصصية. تهدف Von، وهي منصة جديدة للذكاء الاصطناعي نشأت من الفريق الذي يقف وراء شركة Rattle الناشئة لأتمتة العمليات، إلى سد هذه الفجوة. من خلال وضع نفسها ليس على أنها \"حل نقطي\" آخر ولكن باعتبارها \"طبقة استخباراتية\" تأسيسية، تسعى Von إلى أن تفعل لفرق Go-To-Market (GTM) ما فعلته IDE الحديثة لـ يطور",
            "body_ar": "بالنظر إلى اعتماد الذكاء الاصطناعي في المؤسسات، لاحظت شركة VentureBeat اختلافًا واسعًا إلى حد ما عندما يتعلق الأمر بأدوار محددة: بالنسبة لأولئك الذين يبنون - المهندسين والمطورين - كان وصول الذكاء الاصطناعي بمثابة تحويل، حيث انتقل عبر سير العمل بسرعة أدوات مثل Claude Code وCursor لأتمتة العمل الثقيل في بناء الجملة والهندسة المعمارية. ومع ذلك، بالنسبة لأولئك الذين يبيعون، ظلت \"مكدس الإيرادات\" عبارة عن مجموعة مجزأة من صوامع البيانات، وإدخالات إدارة علاقات العملاء اليدوية، والتقارير القصصية. تهدف Von، وهي منصة جديدة للذكاء الاصطناعي نشأت من الفريق الذي يقف وراء شركة Rattle الناشئة لأتمتة العمليات، إلى سد هذه الفجوة. من خلال وضع نفسها ليس على أنها \"حل نقطي\" آخر ولكن باعتبارها \"طبقة ذكاء\" تأسيسية، تسعى Von إلى أن تفعل لفرق Go-To-Market (GTM) ما فعلته IDE الحديثة للمطور: توفير واجهة منطقية واحدة تفهم سياق العمل بأكمله. قال الرئيس التنفيذي لشركة Von Sahil Aggarwal في مقابلة عبر الفيديو أجريت مؤخرًا مع VentureBeat: \"لقد أحدث الذكاء الاصطناعي ثورة في سير العمل للأشخاص الذين يقومون ببناء الأشياء، ولكن لا يوجد شيء أحدث ثورة في سير العمل للأشخاص الذين يبيعون تلك الأشياء\". \"هذا ما نحاول بنائه مع فون\". التكنولوجيا: الرسم البياني للسياق والمحرك متعدد النماذج في جوهر قدرة Von، هناك خروج عن نهج \"شريط البحث\" التقليدي في الذكاء الاصطناعي للمؤسسات. في حين أن حاملي شهادات LLM القياسية غالبًا ما يعانون من الطبيعة المترامية الأطراف وغير المنظمة لبيانات المبيعات، تبدأ Von في نشرها من خلال إنشاء \"رسم بياني للسياق\" لأعمال الشركة بأكملها. تتضمن هذه العملية استيعاب بيانات منظمة من أنظمة إدارة علاقات العملاء (CRMs) مثل Salesforce وHubSpot، إلى جانب البيانات غير المنظمة من مسجلات المكالمات (Gong وZoom وChorus) وسلاسل رسائل البريد الإلكتروني والوثائق الداخلية. وقال أجروال: \"بمجرد أن يبني فون هذا الرسم البياني للسياق، فسوف يفهم عملك بشكل أفضل من أي شخص آخر في الشركة\". هذا الفهم متجذر في \"الوجود\" الخاص بالشركة - اللغة الفريدة لمراحل صفقاتها، وتعريفات المنطقة، والمعرفة المؤسسية. وأضاف الرئيس التنفيذي: \"نحن ندرب هذه النماذج التأسيسية على الأعمال التجارية الخاصة بالشركة وعلى وجودها لجعل النموذج مناسبًا لها\". بدلاً من الاعتماد على نموذج لغة واحد كبير، يستخدم Von استراتيجية \"مزيج من النماذج\" لتحسين الأداء والتكلفة. في هذه البنية، يتم نشر Anthropic's Claude للاستدلال و\"التفكير\" عالي المستوى، ويتعامل ChatGPT مع معالجة البيانات المجمعة، ويتم استخدام Gemini من Google لإنشاء أصول إبداعية مثل المجموعات والتقارير. يسمح هذا النهج الفني لـ Von بحل الإحباط الشائع في عمليات المبيعات: الفجوة بين ما تم تسجيله في نظام إدارة علاقات العملاء (CRM) وما حدث بالفعل في الاجتماع. من خلال الإسناد الترافقي لنصوص المكالمات مع سجلات Salesforce، يمكن للنظام تحديد التناقضات في \"الأسباب المفقودة\" أو التحقق من صحة الصفقة بناءً على المشاعر بدلاً من مجرد التحديث اليدوي للممثل. من قوائم انتظار إعداد التقارير إلى عدد موظفي الذكاء الاصطناعي، تم تصميم Von ليكون بمثابة \"عالم بيانات الذكاء الاصطناعي\" أو \"نائب رئيس RevOps\" الذي يعيش على رأس أدوات تتبع الإيرادات الحالية للمؤسسة. خلال العرض التوضيحي الأولي للمنتج، أظهر أجروال كيف يمكن للمنصة تحليل 101 حسابًا صغيرًا ومتوسطًا لتحديد مخاطر التوقف عن العمل في ما يزيد قليلاً عن ثلاث دقائق - وهي مهمة يقدر أنها ستستغرق محللًا بشريًا من أسبوع إلى أسبوعين. تشبه الواجهة الأساسية للنظام بيئة الدردشة، ولكن تم تصميم المخرجات لتكون أصول إيرادات قابلة للتنفيذ. تشمل الوظائف الرئيسية ما يلي: مراقبة صحة الصفقة: الإسناد الترافقي للمكالمات ورسائل البريد الإلكتروني لإظهار الالتزامات \"المحفوفة بالمخاطر\" والتي قد تمر دون أن يلاحظها أحد حتى نهاية ربع السنة. الإحاطة التلقائية: إنشاء مستندات سياقية لما قبل المكالمة مستمدة من السجل الكامل للحساب، مما يضمن إطلاع الممثلين على كل نقطة اتصال سابقة. تحليل الربح\/الخسارة: تحليل مجمع للنصوص للعثور على الأسباب \"الحقيقية\" للصفقات المفقودة، وغالبًا ما يتم العثور على أن السبب المسجل في نظام إدارة علاقات العملاء لا يتطابق مع التعليقات الفعلية للعميل. أتمتة عمليات الإيرادات: التعامل مع مهام إدارة Salesforce \"منخفضة المستوى\"، مثل إنشاء التدفقات أو قواعد التحقق من الصحة أو تنظيف مناطق الحساب. الهدف هو تحويل عمليات الإيرادات (RevOps) من \"قائمة انتظار التقارير\" التي تتعامل مع طلبات البيانات المخصصة إلى طبقة البنية التحتية. كما أشار كيران سنيث، نائب الرئيس الأول لعمليات الإيرادات في شركة Qualified، في منشور مدونة لشهادة Von، فإن الهدف هو السماح للقادة \"بإدارة الأعمال في الدردشة\"، وطرح أسئلة معقدة حول الثقة المتوقعة أو مخاطر التدفق وتلقي الإجابات المدعومة بالبيانات على الفور. يتم تشغيل Von \"Salesforce التالي\" بواسطة شركة Rattle Software Inc.، وهي شركة حققت نجاحًا سابقًا مع \"Rattle\"، وهي شركة ذات إيرادات متوسطة من سبعة أرقام تركز على تكامل Salesforce-Slack. يصف أجروال فون بأنه محور مهم نحو فرصة أكبر، بهدف بناء \"قوة المبيعات التالية\". وقد شهدت الأعمال جذبًا مبكرًا سريعًا، حيث ورد أن إيراداتها تجاوزت 500 ألف دولار خلال الأسابيع الثمانية الأولى من إطلاقها، مع توقعات بوصولها إلى 10 ملايين دولار في عامها الأول. يخضع المنتج لترخيص تجاري خاص نموذجي لـ SaaS الخاص بالمؤسسة. على عكس الأدوات مفتوحة المصدر، فإن ترخيص Von \"المقيد\" يعني أن كود المصدر الأساسي وتقنية \"الرسم البياني للسياق\" مملوكة لشركة Rattle Software Inc.. ويتم منح المستخدمين حقًا غير قابل للتحويل وغير حصري لاستخدام البرنامج لأغراض تجارية داخلية، مع احتفاظ الشركة بجميع الحقوق والملكية والمصالح في الخدمة. تمتد فلسفة التكامل العميق هذه إلى النظام البيئي SaaS الأوسع، حيث يلاحظ أجروال أن \"حلول النقاط في SaaS ماتت بشكل أساسي. سيواجهون صعوبة بالغة في البقاء في هذا العالم، لأن حلول النقاط يمكن الآن أن تكون مشفرة باللون الأبيض داخل الشركة.\" يتبع التسعير نموذجًا هجينًا للاشتراكات لكل مقعد والائتمانات القائمة على الاستهلاك. تم تصميم هذا الهيكل للتوسع مع الشخصية التي تستخدم الأداة؛ على سبيل المثال، قد يكلف مقعد كبير موظفي الإيرادات (CRO) 1000 دولار شهريًا للتحليل الاستراتيجي العميق، في حين أن مقاعد البائع الفردي قد تصل إلى 20 دولارًا شهريًا لمهام البحث والمتابعة الأساسية. وتحظى الشركة حاليًا بدعم العديد من شركات رأس المال الاستثماري من الدرجة الأولى، بما في ذلك Sequoia Capital وLightspeed وInsight Partners وGV (Google Ventures). رد فعل المتبني المبكر يسلط رد فعل المتبنيين الأوائل الضوء على التحول في كيفية دمج الذكاء الاصطناعي في مؤسسة المبيعات. لاحظ تايلور كيلي، رئيس عمليات الإيرادات في Tapcart، أن \"Von يتعامل مع التحليلات والرؤى التي تتطلب عادةً تعيين محلل آخر بدوام كامل\"، مشيرًا على وجه التحديد إلى قدرته على التعامل مع تكوينات Salesforce المعقدة وتقييمات مخاطر الصفقات. وبالمثل، أشار إيفان بريير، نائب الرئيس للشراكات في DemandScience، إلى أن اتصال Von المباشر بمصادر البيانات يجعله \"قابلاً للتطبيق فعليًا\" مقارنة بأدوات الذكاء الاصطناعي الأفقية \"النظرية\" مثل ChatGPT. تتضمن تعليقات المجتمع الأخرى من المستخدمين الأوائل للمنصة ما يلي: CJ Oordt، مدير المبيعات في Coalesce: وصفها بأنها \"مساعد باحث يعرف كل محادثة وملاحظة\". صرح روب جانكي، مدير عمليات الإيرادات في QuickNode: أن Von \"حل هذه الفجوة قبل أن نتمكن حتى من البدء في بنائها بأنفسنا\". سيدني، رئيس قسم التجديدات في 15Five: سلطت الضوء على تأثيرها على ذكاء التجديد، مما سمح لها بتحليل إشارات المحادثة الفعلية عبر كتاب كامل للأعمال في دقائق. الشعور السائد بين هؤلاء المستخدمين هو أن Von يعمل بمثابة \"عدد إضافي من الموظفين\" وليس مجرد أداة. ويعكس هذا المقاييس الداخلية للشركة، والتي تشير إلى أن Von تكمل بالفعل أكثر من 10000 مهمة إيرادات أسبوعيًا لقاعدة عملائها. مؤسسة إيرادات مستقلة يشير إدخال Von إلى نضوج الذكاء الاصطناعي في المؤسسة. نحن نتجاوز عصر \"الذكاء الاصطناعي كميزة\" - حيث يتم تثبيت برنامج الدردشة الآلي ببساطة على نظام إدارة علاقات العملاء الحالي - نحو \"الذكاء الاصطناعي كشخصية\". من خلال تدريب النماذج التأسيسية على منطق الأعمال المحدد للشركة، يحاول Von إنشاء نظام لا يقوم بإرجاع البيانات فحسب، بل يقدم \"قرارات الحكم\". وبينما تتطلع المؤسسات إلى بقية عام 2026، سيكون التحدي الذي يواجهه قادة RevOps هو الثقة والبنية التحتية. إذا تمكنت شركة Von من الحفاظ على دقتها المزعومة البالغة 95% في التنبؤ بنتائج الصفقات، فإن دور مندوب المبيعات البشري سيتحول حتمًا نحو إدارة العلاقات ذات القيمة الأعلى، تاركًا \"علم بيانات\" المبيعات للوكلاء. في الوقت الحالي، تظل فون بمثابة تجربة عالية النمو فيما إذا كانت \"طبقة الذكاء\" يمكنها أخيرًا تحقيق نفس المستوى من سير العمل الثوري للأشخاص الذين يبيعون كما فعلت للأشخاص الذين يبيعون منتجاتهم. يبني.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/ai-agent-runtime-security-system-card-audit-comment-and-control-2026",
            "title_en": "Three AI coding agents leaked secrets through a single prompt injection. One vendor's system card predicted it",
            "summary_en": "A security researcher, working with colleagues at Johns Hopkins University , opened a GitHub pull request, typed a malicious instruction into the PR title, and watched Anthropic’s Claude Code Security Review action post its own API key as a comment . The same prompt injection worked on Google’s Gemini CLI Action and GitHub’s Copilot Agent (Microsoft). No external infrastructure required. Aonan Guan, the researcher who discovered the vulnerability, alongside Johns Hopkins colleagues Zhengyu Liu and Gavin Zhong, published the full technical disclosure last week, calling it “Comment and Control.” GitHub Actions does not expose secrets to fork pull requests by default when using the pull_request trigger, but workflows using pull_request_target, which most AI agent integrations require for secr",
            "body_en": "A security researcher, working with colleagues at Johns Hopkins University , opened a GitHub pull request, typed a malicious instruction into the PR title, and watched Anthropic’s Claude Code Security Review action post its own API key as a comment . The same prompt injection worked on Google’s Gemini CLI Action and GitHub’s Copilot Agent (Microsoft). No external infrastructure required. Aonan Guan, the researcher who discovered the vulnerability, alongside Johns Hopkins colleagues Zhengyu Liu and Gavin Zhong, published the full technical disclosure last week, calling it “Comment and Control.” GitHub Actions does not expose secrets to fork pull requests by default when using the pull_request trigger, but workflows using pull_request_target, which most AI agent integrations require for secret access, do inject secrets into the runner environment. This limits the practical attack surface but does not eliminate it: collaborators, comment fields, and any repo using pull_request_target with an AI coding agent are exposed. Per Guan’s disclosure timeline: Anthropic classified it as CVSS 9.4 Critical ($100 bounty), Google paid a $1,337 bounty, and GitHub awarded $500 through the Copilot Bounty Program. The $100 amount is notably low relative to the CVSS 9.4 rating; Anthropic’s HackerOne program scopes agent-tooling findings separately from model-safety vulnerabilities. All three patched quietly, and none had issued CVEs in the NVD or published security advisories through GitHub Security Advisories as of Saturday. Comment and Control exploited a prompt injection vulnerability in Claude Code Security Review, a specific GitHub Action feature that Anthropic’s own system card acknowledged is “not hardened against prompt injection.” The feature is designed to process trusted first-party inputs by default; users who opt into processing untrusted external PRs and issues accept additional risk and are responsible for restricting agent permissions. Anthropic updated its documentation to clarify this operating model after the disclosure. The same class of attack operates beneath OpenAI’s safeguard layer at the agent runtime, based on what their system card does not document — not a demonstrated exploit. The exploit is the proof case, but the story is what the three system cards reveal about the gap between what vendors document and what they protect. OpenAI and Google did not respond for comment by publication time. “At the action boundary, not the model boundary,” Merritt Baer, CSO at Enkrypt AI and former Deputy CISO at AWS, told VentureBeat when asked where protection actually needs to sit. “The runtime is the blast radius.” What the system cards tell you Anthropic’s Opus 4.7 system card runs 232 pages with quantified hack rates and injection resistance metrics. It discloses a restricted model strategy (Mythos held back as a capability preview) and states directly that Claude Code Security Review is “not hardened against prompt injection.” The system card explains to readers that the runtime was exposed. Comment and Control proved it. Anthropic does gate certain agent actions outside the system card’s scope — Claude Code Auto Mode, for example, applies runtime-level protections — but the system card itself does not document these runtime safeguards or their coverage. OpenAI’s GPT-5.4 system card documents extensive red teaming and publishes model-layer injection evals but not agent-runtime or tool-execution resistance metrics. Trusted Access for Cyber scales access to thousands. The system card tells you what red teamers tested. It does not tell you how resistant the model is to the attacks they found. Google’s Gemini 3.1 Pro model card , shipped in February, defers most safety methodology to older documentation, a VentureBeat review of the card found. Google’s Automated Red Teaming program remains internal only. No external cyber program. Dimension Anthropic (Opus 4.7) OpenAI (GPT-5.4) Google (Gemini 3.1 Pro) System card depth 232 pages. Quantified hack rates, classifier scores, and injection resistance metrics. Extensive. Red teaming hours documented. No injection resistance rates published. Few pages. Defers to older Gemini 3 Pro card. No quantified results. Cyber verification program CVP. Removes cyber safeguards for vetted pentesters and red teamers doing authorized offensive work. Does not address prompt injection defense. Platform and data-retention exclusions not yet publicly documented. TAC. Scaled to thousands. Constrains ZDR. None. No external defender pathway. Restricted model strategy Yes. Mythos held back as a capability preview. Opus 4.7 is the testbed. No restricted model. Full capability released, access gated. No restricted model. No stated plan for one. Runtime agent safeguards Claude Code Security Review: system card states it is not hardened against prompt injection. The feature is designed for trusted first-party inputs. Anthropic applies additional runtime protections (e.g., Claude Code Auto Mode) not documented in the system card. Not documented. TAC governs access, not agent operations. Not documented. ART internal only. Exploit response (Comment and Control) CVSS 9.4 Critical. $100 bounty. Patched. No CVE. Not directly exploited. Structural gap inferred from TAC design, not demonstrated. $1,337 bounty per Guan disclosure. Patched. No CVE. Injection resistance data Published. Quantified rates in the system card. Model-layer injection evals published. No agent-runtime or tool-execution resistance rates. Not published. No quantified data available. Baer offered specific procurement questions. “For Anthropic, ask how safety results actually transfer across capability jumps,” she told VentureBeat. “For OpenAI, ask what ‘trusted’ means under compromise.” For both, she said, directors need to “demand clarity on whether safeguards extend into tool execution, not just prompt filtering.” Seven threat classes neither safeguard approach closes Each row names what breaks, why your controls miss it, what Comment and Control proved, and the recommended action for the week ahead. Threat Class What Breaks Why Your Controls Miss It What Comment and Control Proved Recommended Action 1. Deployment surface mismatch CVP is designed for authorized offensive security research, not prompt injection defense. It does not extend to Bedrock, Vertex, or ZDR tenants. TAC constrains ZDR. Google has no program. Your team may be running a verified model on an unverified surface. Launch announcements describe the program. Support documentation lists the exclusions. Security teams read the announcement. Procurement reads neither. The exploit targets the agent runtime, not the deployment platform. A team running Claude Code on Bedrock is outside CVP coverage, but CVP was not designed to address this class of vulnerability in the first place. Email your Anthropic and OpenAI reps today. One question, in writing: ‘Confirm whether [your platform] and [your data retention config] are covered by your runtime-level prompt injection protections, and describe what those protections include.’ File the response in your vendor risk register. 2. CI secrets exposed to AI agents ANTHROPIC_API_KEY, GEMINI_API_KEY, GITHUB_TOKEN, and any production secret stored as a GitHub Actions env var are readable by every workflow step, including AI coding agents. The default GitHub Actions config does not scope secrets to individual steps. Repo-level and org-level secrets propagate to all workflows. Most teams never audit which steps access which secrets. The agent read the API key from the runner env var, encoded it in a PR comment body, and posted it through GitHub’s API. No attacker-controlled infrastructure required. Exfiltration ran through GitHub’s own API — the platform itself became the C2 channel. Run: grep -r ‘secrets\\.’ .github\/workflows\/ across every repo with an AI agent. List every secret the agent can access. Rotate all exposed credentials. Migrate to short-lived OIDC tokens (GitHub, GitLab, CircleCI). 3. Over-permissioned agent runtimes AI agents granted bash execution, git push, and API write access at setup. Permissions never scoped down. No periodic least-privilege review. Agents accumulate access in the same way service accounts do. Agents are configured once during onboarding and inherited across repos. No tooling flags unused permissions. The Comment and Control agent had bash, write, and env-read access for a code review task. The agent had bash access it did not need for code review. It used that access to read env vars and post exfiltrated data. Stripping bash would have blocked the attack chain entirely. Audit agent permissions repo by repo. Strip bash from code review agents. Set repo access to read-only. Gate write access (PR comments, commits, merges) behind a human approval step. 4. No CVE signal for AI agent vulnerabilities CVSS 9.4 Critical. Anthropic, Google, and GitHub patched. Zero CVE entries in NVD. Zero advisories. Your vulnerability scanner, SIEM, and GRC tool all show green. No CNA has yet issued a CVE for a coding agent prompt injection, and current CVE practices have not captured this class of failure mode. Vendors patch through version bumps. Qualys, Tenable, and Rapid7 have nothing to scan for. A SOC analyst running a full scan on Monday morning would find zero entries for a Critical vulnerability that hit Claude Code Security Review, Gemini CLI Action, and Copilot simultaneously. Create a new category in your supply chain risk register: ‘AI agent runtime.’ Assign a 48-hour check-in cadence with each vendor’s security contact. Do not wait for CVEs. None have come yet, and the taxonomy gap makes them unlikely without industry pressure. 5. Model safeguards do not govern agent actions Opus 4.7 blocks a phishing email prompt. It does not block an agent from reading $ANTHROPIC_API_KEY and posting it as a PR comment. Safeguards gate generation, not operation. Safeguards filter model outputs (text). Agent operations (bash, git push, curl, API POST) bypass safeguard evaluation entirely. The runtime is outside the safeguard perimeter. Anthropic applies some runtime-level protections in features like Claude Code Auto Mode, but these are not documented in the system card and their scope is not publicly defined. The agent never generated prohibited content. It performed a legitimate operation (post a PR comment) containing exfiltrated data. Safeguards never triggered. Map every operation your AI agents perform: bash, git, API calls, file writes. For each, ask the vendor in writing: does your safeguard layer evaluate this action before execution? Document the answer. 6. Untrusted input parsed as instructions PR titles, PR body text, issue comments, code review comments, and commit messages are all parsed by AI coding agents as context. Any can contain injected instructions. No input sanitization layer between GitHub and the agent instruction set. The agent cannot distinguish developer intent from attacker injection in untrusted fields. Claude Code GitHub Action is designed for trusted first-party inputs by default. Users who opt into processing untrusted external PRs accept additional risk. A single malicious PR title became a complete exfiltration command. The agent treated it as a legitimate instruction and executed it without validation or confirmation. Implement input sanitization as defense-in-depth, but do not rely on traditional WAF-style regex patterns. LLM prompt injections are non-deterministic and will evade static pattern matching. Restrict agent context to approved workflow configs and combine with least-privilege permissions. 7. No comparable injection resistance data across vendors Anthropic publishes quantified injection resistance rates in 232 pages. OpenAI publishes model-layer injection evals but no agent-runtime resistance rates. Google publishes a few-page card referencing an older model. No industry standard for AI safety metric disclosure. Vendors may have internal metrics and red-team programs, but published disclosures are not comparable. Procurement has no baseline and no framework to require one. Anthropic, OpenAI, and Google were all approved for enterprise use without comparable injection resistance data. The exploit exposed what unmeasured risk looks like in production. Write one sentence for your next vendor meeting: ‘Show me your quantified injection resistance rate for my model version on my platform.’ Document refusals for EU AI Act high-risk compliance. Deadline: August 2026. OpenAI’s GPT-5.4 was not directly exploited in the Comment and Control disclosure. The gaps identified in the OpenAI and Google columns are inferred from what their system cards and program documentation do not publish, not from demonstrated exploits. That distinction matters. Absence of published runtime metrics is a transparency gap, not proof of a vulnerability. It does mean procurement teams cannot verify what they cannot measure. Eligibility requirements for Anthropic’s Cyber Verification Program and OpenAI’s Trusted Access for Cyber are still evolving, as are platform coverage and program scope, so security teams should validate current vendor docs before treating any coverage described here as definitive. Anthropic’s CVP is designed for authorized offensive security research — removing cyber safeguards for vetted actors — and is not a prompt injection defense program. Security leaders mapping these gaps to existing frameworks can align threat classes 1–3 with NIST CSF 2.0 GV.SC (Supply Chain Risk Management), threat class 4 with ID.RA (Risk Assessment), and threat classes 5–7 with PR.DS (Data Security). Comment and Control focuses on GitHub Actions today, but the seven threat classes generalize to most CI\/CD runtimes where AI agents execute with access to secrets, including GitHub Actions, GitLab CI, CircleCI, and custom runners. Safety metric disclosure formats are in flux across all three vendors; Anthropic currently leads on published quantification in its system card documentation, but norms are likely to converge as EU AI Act obligations come into force. Comment and Control targeted Claude Code GitHub Action, a specific product feature, not Anthropic’s models broadly. The vulnerability class, however, applies to any AI coding agent operating in a CI\/CD runtime with access to secrets. What to do before your next vendor renewal “Don’t standardize on a model. Standardize on a control architecture,” Baer told VentureBeat. “The risk is systemic to agent design, not vendor-specific. Maintain portability so you can swap models without reworking your security posture.” Build a deployment map. Confirm your platform qualifies for the runtime protections you think cover you. If you run Opus 4.7 on Bedrock, ask your Anthropic account rep what runtime-level prompt injection protections apply to your deployment surface. Email your account rep today. ( Anthropic Cyber Verification Program ) Audit every runner for secret exposure. Run grep -r ‘secrets\\.’ .github\/workflows\/ across every repo with an AI coding agent. List every secret the agent can access. Rotate all exposed credentials. ( GitHub Actions secrets documentation ) Start migrating credentials now. Switch stored secrets to short-lived OIDC token issuance. GitHub Actions, GitLab CI, and CircleCI all support OIDC federation. Set token lifetimes to minutes, not hours. Plan full rollout over one to two quarters, starting with repos running AI agents. ( GitHub OIDC docs | GitLab OIDC docs | CircleCI OIDC docs ) Fix agent permissions repo by repo. Strip bash execution from every AI agent doing code review. Set repository access to read-only. Gate write access behind a human approval step. ( GitHub Actions permissions documentation ) Add input sanitization as one layer, not the only layer. Filter pull request titles, comments, and review threads for instruction patterns before they reach agents. Combine with least-privilege permissions and OIDC. Static regex will not catch non-deterministic prompt injections on its own. Add “AI agent runtime” to your supply chain risk register. Assign a 48-hour patch verification cadence with each vendor’s security contact. Do not wait for CVEs. None have come yet for this class of vulnerability. Check which hardened GitHub Actions mitigations you already have in place. Hardened GitHub Actions configurations block this attack class today: the permissions key restricts GITHUB_TOKEN scope, environment protection rules require approval before secrets are injected, and first-time-contributor gates prevent external pull requests from triggering agent workflows. ( GitHub Actions security hardening guide ) Prepare one procurement question per vendor before your next renewal. Write one sentence: “Show me your quantified injection resistance rate for the model version I run on the platform I deploy to.” Document refusals for EU AI Act high-risk compliance. The deadline is August 2026. “Raw zero-days aren’t how most systems get compromised. Composability is,” Baer said. “It’s the glue code, the tokens in CI, the over-permissioned agents. When you wire a powerful model into a permissive runtime, you’ve already done most of the attacker’s work for them.”",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/338TKAZmGg0eamRggz05Kq\/fdc8465b217fab704067d122300d6da7\/hero_model_comparison.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/ai-agent-runtime-security-system-card-audit-comment-and-control-2026",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "قام ثلاثة من عملاء تشفير الذكاء الاصطناعي بتسريب أسرار من خلال حقنة واحدة سريعة. تنبأت بطاقة نظام أحد البائعين بذلك",
            "summary_ar": "قام باحث أمني، يعمل مع زملائه في جامعة جونز هوبكنز، بفتح طلب سحب على GitHub، وكتب تعليمات ضارة في عنوان العلاقات العامة، وشاهد إجراء Anthropic’s Claude Code Security Review وهو ينشر مفتاح واجهة برمجة التطبيقات (API) الخاص به كتعليق. تم تنفيذ نفس الحقنة السريعة على Gemini CLI Action من Google وCopilot Agent من GitHub (Microsoft). لا توجد بنية تحتية خارجية مطلوبة. ونشر أونان جوان، الباحث الذي اكتشف الثغرة الأمنية، جنبًا إلى جنب مع زملائه في جامعة جونز هوبكنز زينجيو ليو وجافين تشونغ، الكشف الفني الكامل الأسبوع الماضي، واصفًا إياه بـ “التعليق والتحكم”. لا تكشف إجراءات GitHub أسرار طلبات السحب المتشعبة بشكل افتراضي عند استخدام مشغل pull_request، ولكن سير العمل باستخدام pull_request_target، والذي تتطلبه معظم عمليات تكامل وكيل الذكاء الاصطناعي سر",
            "body_ar": "قام باحث أمني، يعمل مع زملائه في جامعة جونز هوبكنز، بفتح طلب سحب على GitHub، وكتب تعليمات ضارة في عنوان العلاقات العامة، وشاهد إجراء Anthropic’s Claude Code Security Review وهو ينشر مفتاح واجهة برمجة التطبيقات (API) الخاص به كتعليق. تم تنفيذ نفس الحقنة السريعة على Gemini CLI Action من Google وCopilot Agent من GitHub (Microsoft). لا توجد بنية تحتية خارجية مطلوبة. ونشر أونان جوان، الباحث الذي اكتشف الثغرة الأمنية، جنبًا إلى جنب مع زملائه في جامعة جونز هوبكنز زينجيو ليو وجافين تشونغ، الكشف الفني الكامل الأسبوع الماضي، واصفًا إياه بـ “التعليق والتحكم”. لا تكشف إجراءات GitHub الأسرار لطلبات السحب المتشعبة بشكل افتراضي عند استخدام مشغل pull_request، ولكن سير العمل باستخدام pull_request_target، والذي تتطلبه معظم عمليات تكامل وكيل الذكاء الاصطناعي للوصول السري، يقوم بحقن الأسرار في بيئة التشغيل. وهذا يحد من سطح الهجوم العملي ولكنه لا يلغيه: يتم كشف المتعاونين وحقول التعليقات وأي إعادة شراء تستخدم pull_request_target مع وكيل تشفير الذكاء الاصطناعي. الجدول الزمني للكشف عن Per Guan: صنفته Anthropic على أنه CVSS 9.4 Critical (مكافأة قدرها 100 دولار)، ودفعت Google مكافأة قدرها 1,337 دولارًا، ومنح GitHub 500 دولار من خلال برنامج Copilot Bounty. مبلغ 100 دولار منخفض بشكل ملحوظ مقارنة بتصنيف CVSS 9.4؛ يقوم برنامج HackerOne التابع لشركة Anthropic بدراسة نتائج أدوات الوكيل بشكل منفصل عن الثغرات الأمنية المتعلقة بسلامة النماذج. تم تصحيح الأخطاء الثلاثة بهدوء، ولم يصدر أي منها CVEs في NVD أو نشر تحذيرات أمنية من خلال GitHub Security Advisories اعتبارًا من يوم السبت. استغل التعليق والتحكم ثغرة أمنية في الحقن الفوري في Claude Code Security Review، وهي ميزة محددة في GitHub Action اعترفت بطاقة النظام الخاصة بشركة Anthropic بأنها \"غير محصنة ضد الحقن الفوري\". تم تصميم هذه الميزة لمعالجة مدخلات الطرف الأول الموثوق بها بشكل افتراضي؛ يقبل المستخدمون الذين يختارون معالجة العلاقات العامة والمشكلات الخارجية غير الموثوق بها مخاطر إضافية ويكونون مسؤولين عن تقييد أذونات الوكيل. قامت Anthropic بتحديث وثائقها لتوضيح نموذج التشغيل هذا بعد الكشف. تعمل نفس فئة الهجوم تحت طبقة الحماية الخاصة بـ OpenAI في وقت تشغيل الوكيل، بناءً على ما لا توثقه بطاقة النظام الخاصة بهم - وليس استغلالًا مثبتًا. إن الاستغلال هو حالة إثبات، ولكن القصة هي ما تكشفه بطاقات النظام الثلاث حول الفجوة بين ما يوثقه البائعون وما يحميونه. لم يستجب OpenAI وGoogle للتعليق بحلول وقت النشر. \"عند حدود الإجراء، وليس حدود النموذج\"، قال ميريت باير، كبير مسؤولي الأمن في Enkrypt AI والنائب السابق لكبير مسؤولي أمن المعلومات في AWS، لـ VentureBeat عندما سئل عن المكان الذي يجب أن تتواجد فيه الحماية فعليًا. \"وقت التشغيل هو نصف قطر الانفجار.\" ما تخبرك به بطاقات النظام تعمل بطاقة نظام Anthropic's Opus 4.7 على تشغيل 232 صفحة مع معدلات اختراق محددة ومقاييس مقاومة الحقن. يكشف عن استراتيجية نموذجية مقيدة (تم إيقاف Mythos كمعاينة للقدرة) وينص بشكل مباشر على أن مراجعة Claude Code Security Review \"ليست محصنة ضد الحقن الفوري\". تشرح بطاقة النظام للقراء أن وقت التشغيل قد تم كشفه. أثبت التعليق والتحكم ذلك. يقوم Anthropic ببوابة بعض إجراءات الوكيل خارج نطاق بطاقة النظام - على سبيل المثال، يطبق Claude Code Auto Mode إجراءات الحماية على مستوى وقت التشغيل - لكن بطاقة النظام نفسها لا توثق إجراءات الحماية الخاصة بوقت التشغيل هذه أو تغطيتها. تقوم بطاقة نظام GPT-5.4 الخاصة بـ OpenAI بتوثيق فريق أحمر واسع النطاق وتنشر تقييمات حقن طبقة النموذج ولكن ليس وقت تشغيل الوكيل أو مقاييس مقاومة تنفيذ الأداة. وصول موثوق به لنطاق الإنترنت إلى الآلاف. تخبرك بطاقة النظام بما اختبره أعضاء الفريق الأحمر. ولا يخبرك بمدى مقاومة النموذج للهجمات التي وجدوها. إن بطاقة Gemini 3.1 Pro النموذجية من Google، التي تم شحنها في فبراير، تؤجل معظم أساليب السلامة إلى الوثائق القديمة، حسبما وجدت مراجعة VentureBeat للبطاقة. يظل برنامج Red Teaming الآلي من Google داخليًا فقط. لا يوجد برنامج سايبر خارجي. البعد Anthropic (Opus 4.7) OpenAI (GPT-5.4) Google (Gemini 3.1 Pro) عمق بطاقة النظام 232 صفحة. معدلات الاختراق الكمية، وعشرات المصنف، ومقاييس مقاومة الحقن. شاسِع. تم توثيق ساعات العمل الجماعي باللون الأحمر. لم يتم نشر معدلات مقاومة الحقن. صفحات قليلة. يؤجل إلى بطاقة Gemini 3 Pro الأقدم. لا توجد نتائج كمية. برنامج التحقق السيبراني CVP. يزيل الضمانات السيبرانية للمخترقين الذين تم فحصهم وأعضاء الفريق الأحمر الذين يقومون بأعمال هجومية مصرح بها. لا يعالج الدفاع عن الحقن الفوري. استثناءات النظام الأساسي والاحتفاظ بالبيانات لم يتم توثيقها علنًا بعد. تاك. تصاعدت إلى الآلاف. يقيد ZDR. لا أحد. لا يوجد مسار مدافع خارجي. استراتيجية النموذج المحدود نعم. تم تأجيل Mythos كمعاينة للقدرة. Opus 4.7 هو الاختبار. لا يوجد نموذج مقيد. تم إطلاق القدرة الكاملة، وبوابة الوصول. لا يوجد نموذج مقيد. لا توجد خطة معلنة لأحد. يقوم وكيل وقت التشغيل بحماية مراجعة Claude Code Security Review: تنص بطاقة النظام على أنها غير محصنة ضد الحقن الفوري. تم تصميم هذه الميزة لمدخلات الطرف الأول الموثوقة. يطبق Anthropic إجراءات حماية إضافية أثناء التشغيل (على سبيل المثال، Claude Code Auto Mode) غير موثقة في بطاقة النظام. غير موثقة. TAC يحكم الوصول، وليس عمليات الوكيل. غير موثقة. ART داخلي فقط. استغلال الاستجابة (التعليق والتحكم) CVSS 9.4 بالغ الأهمية. مكافأة 100 دولار. مصححة. لا يوجد مكافحة التطرف العنيف. لا يتم استغلالها بشكل مباشر. الفجوة الهيكلية المستنتجة من تصميم TAC، لم تظهر. مكافأة قدرها 1,337 دولارًا أمريكيًا لكل كشف لـ Guan. مصححة. لا يوجد مكافحة التطرف العنيف. تم نشر بيانات مقاومة الحقن. معدلات الكمية في بطاقة النظام. تم نشر تقييمات حقن الطبقة النموذجية. لا توجد معدلات مقاومة لوقت تشغيل الوكيل أو تنفيذ الأداة. لم يتم نشره. لا توجد بيانات كمية متاحة. عرضت شركة باير أسئلة محددة تتعلق بالمشتريات. قالت لـ VentureBeat: \"بالنسبة إلى Anthropic، اسأل كيف تنتقل نتائج السلامة فعليًا عبر قفزات القدرات\". \"بالنسبة لـ OpenAI، اسأل عن معنى كلمة \"موثوق\" في ظل التسوية.\" وقالت إنه بالنسبة لكليهما، يحتاج المديرون إلى \"المطالبة بالوضوح بشأن ما إذا كانت الضمانات تمتد إلى تنفيذ الأدوات، وليس مجرد التصفية الفورية\". سبع فئات من التهديدات لا يتم إغلاق أي نهج وقائي، كل صف يذكر ما ينكسر، ولماذا تفوته عناصر التحكم لديك، وما أثبته التعليق والتحكم، والإجراء الموصى به للأسبوع المقبل. فئة التهديد ما الذي يعطل لماذا تفوت عناصر التحكم الخاصة بك ما أثبته التعليق والتحكم الإجراء الموصى به 1. تم تصميم CVP لعدم تطابق سطح النشر لأبحاث الأمان الهجومية المعتمدة، وليس للدفاع الفوري. ولا يمتد إلى مستأجري Bedrock أو Vertex أو ZDR. TAC يقيد ZDR. جوجل ليس لديه برنامج. ربما يقوم فريقك بتشغيل نموذج تم التحقق منه على سطح لم يتم التحقق منه. إعلانات الإطلاق تصف البرنامج. تسرد وثائق الدعم الاستثناءات. قرأت فرق الأمن الإعلان. لا يقرأ المشتري أيًا منهما. يستهدف الاستغلال وقت تشغيل الوكيل، وليس منصة النشر. الفريق الذي يقوم بتشغيل Claude Code على Bedrock يقع خارج نطاق تغطية CVP، لكن CVP لم يتم تصميمه لمعالجة هذه الفئة من الثغرات الأمنية في المقام الأول. أرسل بريدًا إلكترونيًا إلى ممثلي Anthropic وOpenAI اليوم. سؤال واحد مكتوب: \"تأكد مما إذا كانت [المنصة الخاصة بك] و[تكوين الاحتفاظ بالبيانات] مشمولتين بحماية الحقن الفوري على مستوى وقت التشغيل، ووصف ما تتضمنه هذه الحماية.\" قم بتقديم الرد في سجل مخاطر البائعين الخاص بك. 2. أسرار CI المكشوفة لوكلاء الذكاء الاصطناعي ANTHROPIC_API_KEY وGEMINI_API_KEY وGITHUB_TOKEN وأي سر إنتاج مخزّن كـ GitHub Actions env var يمكن قراءتها في كل خطوة من خطوات سير العمل، بما في ذلك وكلاء ترميز الذكاء الاصطناعي. لا يقوم تكوين GitHub Actions الافتراضي بنطاق الأسرار للخطوات الفردية. تنتشر الأسرار على مستوى الريبو وعلى مستوى المؤسسة في جميع مهام سير العمل. لا تقوم معظم الفرق أبدًا بمراجعة الخطوات التي يمكنها الوصول إلى الأسرار. قرأ الوكيل مفتاح واجهة برمجة التطبيقات (API) من المُشغل env var، وقام بتشفيره في نص تعليق العلاقات العامة، ونشره من خلال واجهة برمجة تطبيقات GitHub. لا توجد حاجة إلى بنية تحتية يتحكم فيها المهاجم. تم تنفيذ عملية التصفية من خلال واجهة برمجة التطبيقات الخاصة بـ GitHub - وأصبحت المنصة نفسها قناة C2. تشغيل: grep -r 'secrets\\.'.github\/workflows\/ عبر كل الريبو باستخدام وكيل AI. قم بإدراج كل سر يمكن للوكيل الوصول إليه. تدوير كافة بيانات الاعتماد المكشوفة. الترحيل إلى رموز OIDC قصيرة العمر (GitHub وGitLab وCircleCI). 3. أوقات تشغيل الوكيل ذات الأذونات الزائدة، منح وكلاء الذكاء الاصطناعي تنفيذ bash، وgit Push، وإمكانية الوصول للكتابة عبر واجهة برمجة التطبيقات عند الإعداد. لم يتم تحديد نطاق الأذونات مطلقًا. لا توجد مراجعة دورية لأقل الامتيازات. يقوم الوكلاء بتجميع الوصول بنفس الطريقة التي تعمل بها حسابات الخدمة. يتم تكوين الوكلاء مرة واحدة أثناء الإعداد ويتم توريثهم عبر اتفاقيات إعادة الشراء. لا توجد أدوات تشير إلى الأذونات غير المستخدمة. يتمتع وكيل التعليق والتحكم بإمكانية الوصول إلى bash والكتابة وقراءة env لمهمة مراجعة التعليمات البرمجية. كان لدى الوكيل وصول bash ولم يكن بحاجة لمراجعة التعليمات البرمجية. لقد استخدم هذا الوصول لقراءة env vars ونشر البيانات المسربة. كان من شأن تجريد باش أن يمنع سلسلة الهجوم بالكامل. أذونات وكيل التدقيق الريبو عن طريق الريبو. تجريد باش من وكلاء مراجعة التعليمات البرمجية. قم بتعيين الوصول إلى الريبو للقراءة فقط. بوابة الوصول للكتابة (تعليقات العلاقات العامة، والالتزامات، والدمج) خلف خطوة الموافقة البشرية. 4. لا توجد إشارة CVE لنقاط ضعف عامل الذكاء الاصطناعي CVSS 9.4 الحرجة. تم تصحيح Anthropic وGoogle وGitHub. لا توجد إدخالات CVE في NVD. صفر النصائح. تظهر أداة فحص الثغرات الأمنية وأداة SIEM وGRC باللون الأخضر. لم يصدر أي CNA حتى الآن CVE للحقن الفوري لعامل الترميز، ولم تلتقط ممارسات CVE الحالية هذه الفئة من وضع الفشل. يقوم البائعون بالتصحيح من خلال نتوءات الإصدار. ليس لدى Qualys وTenable وRapid7 ما يمكن البحث عنه. لن يجد محلل SOC الذي يجري فحصًا كاملاً صباح يوم الاثنين أي إدخالات للثغرة الأمنية الخطيرة التي أصابت Claude Code Security Review وGemini CLI Action وCopilot في وقت واحد. قم بإنشاء فئة جديدة في سجل مخاطر سلسلة التوريد الخاصة بك: \"وقت تشغيل وكيل الذكاء الاصطناعي\". قم بتعيين إيقاع تسجيل الوصول لمدة 48 ساعة مع جهة الاتصال الأمنية لكل بائع. لا تنتظر مكافحة التطرف العنيف. لم يتم التوصل إلى أي منها حتى الآن، والفجوة في التصنيف تجعلها غير محتملة دون ضغوط الصناعة. 5. لا تحكم الضمانات النموذجية إجراءات الوكيل. يقوم Opus 4.7 بحظر رسائل البريد الإلكتروني التصيدية. ولا يمنع الوكيل من قراءة $ANTHROPIC_API_KEY ونشره كتعليق علاقات عامة. توليد بوابة الضمانات، وليس التشغيل. مخرجات نموذج تصفية الضمانات (النص). تتجاوز عمليات الوكيل (bash وgit Push وcurl وAPI POST) تقييم الحماية بالكامل. وقت التشغيل يقع خارج نطاق الحماية. يطبق Anthropic بعض وسائل الحماية على مستوى وقت التشغيل في ميزات مثل Claude Code Auto Mode، ولكن لم يتم توثيقها في بطاقة النظام ولم يتم تحديد نطاقها بشكل علني. لم ينشئ الوكيل أبدًا محتوى محظورًا. لقد قامت بعملية مشروعة (نشر تعليق علاقات عامة) تحتوي على بيانات مسربة. لم يتم تفعيل الضمانات مطلقًا. قم بتخطيط كل عملية يقوم بها وكلاء الذكاء الاصطناعي لديك: bash، git، استدعاءات API، كتابة الملفات. لكل منها، اسأل البائع كتابيًا: هل تقوم طبقة الحماية الخاصة بك بتقييم هذا الإجراء قبل التنفيذ؟ توثيق الجواب. 6. يتم تحليل المدخلات غير الموثوق بها كتعليمات، وعناوين العلاقات العامة، ونص العلاقات العامة، وتعليقات المشكلة، وتعليقات مراجعة التعليمات البرمجية، ورسائل الالتزام، كلها بواسطة وكلاء ترميز الذكاء الاصطناعي كسياق. يمكن أن يحتوي أي منها على تعليمات محقونة. لا توجد طبقة تعقيم للمدخلات بين GitHub ومجموعة تعليمات الوكيل. لا يستطيع الوكيل التمييز بين نية المطور وحقن المهاجم في الحقول غير الموثوق بها. تم تصميم Claude Code GitHub Action لمدخلات الطرف الأول الموثوقة افتراضيًا. يقبل المستخدمون الذين يختارون معالجة العلاقات العامة الخارجية غير الموثوق بها مخاطر إضافية. أصبح عنوان العلاقات العامة الخبيث أمرًا كاملاً للتصفية. تعامل معها الوكيل على أنها تعليمات مشروعة ونفذها دون التحقق من صحتها أو تأكيدها. قم بتنفيذ تعقيم المدخلات كدفاع متعمق، ولكن لا تعتمد على أنماط التعبير العادي على غرار WAF التقليدية. الحقن السريعة LLM غير حتمية وسوف تتجنب مطابقة الأنماط الثابتة. قم بتقييد سياق الوكيل على تكوينات سير العمل المعتمدة ودمجه مع الأذونات ذات الامتيازات الأقل. 7. لا توجد بيانات قابلة للمقارنة حول مقاومة الحقن عبر البائعين تنشر Anthropic معدلات مقاومة الحقن الكمية في 232 صفحة. تنشر OpenAI تقييمات حقن طبقة النموذج ولكن لا توجد معدلات مقاومة لوقت تشغيل الوكيل. تنشر Google بطاقة مكونة من بضع صفحات تشير إلى نموذج أقدم. لا يوجد معيار صناعي للكشف عن مقاييس السلامة الخاصة بالذكاء الاصطناعي. قد يكون لدى البائعين مقاييس داخلية وبرامج الفريق الأحمر، لكن الإفصاحات المنشورة غير قابلة للمقارنة. ليس للمشتريات خط أساس ولا إطار يتطلب ذلك. تمت الموافقة على كل من Anthropic وOpenAI وGoogle للاستخدام المؤسسي دون وجود بيانات قابلة للمقارنة حول مقاومة الحقن. كشفت هذه الثغرة عن شكل المخاطر غير المقاسة في الإنتاج. اكتب جملة واحدة لاجتماع الموردين التالي الخاص بك: \"أرني معدل مقاومة الحقن الكمي لإصدار النموذج الخاص بي على النظام الأساسي الخاص بي\". قم بتوثيق حالات الرفض للامتثال عالي المخاطر لقانون الذكاء الاصطناعي للاتحاد الأوروبي. الموعد النهائي: أغسطس 2026. ولم يتم استغلال GPT-5.4 الخاص بـ OpenAI بشكل مباشر في الكشف عن التعليقات والتحكم. يتم استنتاج الثغرات التي تم تحديدها في أعمدة OpenAI وGoogle مما لا تنشره بطاقات النظام ووثائق البرامج الخاصة بهم، وليس من عمليات الاستغلال المثبتة. هذا التمييز مهم. يعد غياب مقاييس وقت التشغيل المنشورة بمثابة فجوة في الشفافية، وليس دليلاً على وجود ثغرة أمنية. وهذا يعني أن فرق المشتريات لا يمكنها التحقق مما لا يمكنها قياسه. لا تزال متطلبات الأهلية لبرنامج التحقق السيبراني من Anthropic وTrusted Access for Cyber ​​من OpenAI تتطور، وكذلك تغطية النظام الأساسي ونطاق البرنامج، لذلك يجب على فرق الأمان التحقق من صحة مستندات البائع الحالية قبل التعامل مع أي تغطية موصوفة هنا على أنها نهائية. تم تصميم برنامج Anthropic's CVP للأبحاث الأمنية الهجومية المرخصة - إزالة الضمانات السيبرانية للجهات الفاعلة التي تم فحصها - وهو ليس برنامج دفاع سريع. يمكن لقادة الأمن الذين يقومون بتعيين هذه الثغرات وفقًا لأطر العمل الحالية مواءمة فئات التهديد من 1 إلى 3 مع NIST CSF 2.0 GV.SC (إدارة مخاطر سلسلة التوريد)، وفئة التهديد 4 مع ID.RA (تقييم المخاطر)، وفئات التهديد 5-7 مع PR.DS (أمن البيانات). يركز التعليق والتحكم على إجراءات GitHub اليوم، ولكن فئات التهديد السبعة تعمم على معظم أوقات تشغيل CI\/CD حيث ينفذ عملاء الذكاء الاصطناعي إمكانية الوصول إلى الأسرار، بما في ذلك GitHub Actions وGitLab CI وCircleCI والمتسابقين المخصصين. إن تنسيقات الإفصاح عن مقاييس السلامة في حالة تغير مستمر عبر جميع البائعين الثلاثة؛ تقود شركة Anthropic حاليًا عملية القياس الكمي المنشورة في وثائق بطاقة النظام الخاصة بها، ولكن من المرجح أن تتقارب المعايير مع دخول التزامات قانون الذكاء الاصطناعي للاتحاد الأوروبي حيز التنفيذ. استهدف التعليق والتحكم إجراء Claude Code GitHub، وهي ميزة منتج محددة، وليس نماذج Anthropic على نطاق واسع. ومع ذلك، تنطبق فئة الثغرة الأمنية على أي وكيل تشفير يعمل بالذكاء الاصطناعي يعمل في وقت تشغيل CI\/CD مع إمكانية الوصول إلى الأسرار. ما يجب فعله قبل تجديد البائع التالي: \"لا تقم بالتوحيد القياسي على نموذج ما. قم بالتوحيد القياسي على بنية التحكم،\" كما قال باير لـ VentureBeat. \"إن الخطر نظامي بالنسبة لتصميم الوكيل، وليس خاصًا بالبائع. حافظ على إمكانية النقل حتى تتمكن من تبديل النماذج دون إعادة صياغة الوضع الأمني ​​الخاص بك. بناء خريطة النشر. تأكد من أن النظام الأساسي الخاص بك مؤهل للحصول على حماية وقت التشغيل التي تعتقد أنها تغطيك. إذا قمت بتشغيل Opus 4.7 على Bedrock، فاسأل ممثل حساب Anthropic الخاص بك عن إجراءات حماية الحقن الفوري على مستوى وقت التشغيل التي تنطبق على سطح النشر الخاص بك. أرسل مندوب حسابك عبر البريد الإلكتروني اليوم. (برنامج التحقق السيبراني الأنثروبي) قم بتدقيق كل عداء للكشف السري. قم بتشغيل grep -r 'secrets\\.'.github\/workflows\/ عبر كل الريبو باستخدام وكيل ترميز الذكاء الاصطناعي. قم بإدراج كل سر يمكن للوكيل الوصول إليه. تدوير كافة بيانات الاعتماد المكشوفة. (وثائق أسرار إجراءات GitHub) ابدأ في ترحيل بيانات الاعتماد الآن. قم بتحويل الأسرار المخزنة إلى إصدار رمز OIDC قصير الأجل. تدعم كل من GitHub Actions وGitLab CI وCircleCI اتحاد OIDC. قم بتعيين عمر الرمز المميز إلى دقائق، وليس ساعات. خطط للطرح الكامل على مدار ربع سنة أو ربعين، بدءًا من عمليات إعادة الشراء التي تدير وكلاء الذكاء الاصطناعي. (مستندات GitHub OIDC | مستندات GitLab OIDC | مستندات CircleCI OIDC) إصلاح أذونات الوكيل عن طريق الريبو. تجريد تنفيذ bash من كل وكيل AI يقوم بمراجعة التعليمات البرمجية. قم بتعيين الوصول إلى المستودع للقراءة فقط. بوابة الوصول للكتابة وراء خطوة الموافقة البشرية. (وثائق أذونات إجراءات GitHub) أضف تعقيم الإدخال كطبقة واحدة، وليس الطبقة الوحيدة. قم بتصفية عناوين طلبات السحب والتعليقات وسلاسل المراجعة لأنماط التعليمات قبل أن تصل إلى الوكلاء. ادمجها مع أذونات الامتياز الأقل وOIDC. لن يلتقط التعبير العادي الثابت الحقن السريعة غير الحتمية من تلقاء نفسه. أضف \"وقت تشغيل وكيل الذكاء الاصطناعي\" إلى سجل مخاطر سلسلة التوريد لديك. قم بتعيين إيقاع التحقق من التصحيح لمدة 48 ساعة مع جهة الاتصال الأمنية لكل بائع. لا تنتظر مكافحة التطرف العنيف. لم يأت أي شيء حتى الآن لهذه الفئة من الضعف. تحقق من إجراءات تخفيف GitHub المعززة التي قمت بتطبيقها بالفعل. تحظر تكوينات إجراءات GitHub المشددة فئة الهجوم هذه اليوم: يقيد مفتاح الأذونات نطاق GITHUB_TOKEN، وتتطلب قواعد حماية البيئة الموافقة قبل إدخال الأسرار، وتمنع بوابات المساهمة لأول مرة طلبات السحب الخارجية من تشغيل سير عمل الوكيل. (دليل تقوية أمان GitHub Actions) قم بإعداد سؤال شراء واحد لكل مورد قبل التجديد التالي. اكتب جملة واحدة: \"أرني معدل مقاومة الحقن الكمي الخاص بك لإصدار النموذج الذي أقوم بتشغيله على النظام الأساسي الذي أستخدمه.\" رفض المستندات للامتثال لقانون الاتحاد الأوروبي بشأن الذكاء الاصطناعي عالي المخاطر. الموعد النهائي هو أغسطس 2026. وقال باير: \"إن الأيام الصفرية الأولية ليست هي الطريقة التي تتعرض بها معظم الأنظمة للخطر. بل القابلية للتركيب\". \"إنها شفرة الغراء، والرموز المميزة في CI، والوكلاء الذين لديهم أذونات زائدة. عندما تقوم بتوصيل نموذج قوي في وقت تشغيل متساهل، تكون قد قمت بالفعل بمعظم عمل المهاجم لصالحه هم.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/adversaries-hijacked-ai-security-tools-at-90-organizations-the-next-wave-has-write-access-to-the-firewall",
            "title_en": "Adversaries hijacked AI security tools at 90+ organizations. The next wave has write access to the firewall",
            "summary_en": "Adversaries injected malicious prompts into legitimate AI tools at more than 90 organizations in 2025, stealing credentials and cryptocurrency. Every one of those compromised tools could read data, and none of them could rewrite a firewall rule. The autonomous SOC agents shipping now can. That escalation, from compromised tools that read data to autonomous agents that rewrite infrastructure, has not been exploited in production at scale yet. But the architectural conditions for it are shipping faster than the governance designed to prevent it. A compromised SOC agent can rewrite your firewall rules, modify IAM policies, and quarantine endpoints, all with its own privileged credentials, all through approved API calls that EDR classifies as authorized activity. The adversary never touches th",
            "body_en": "Adversaries injected malicious prompts into legitimate AI tools at more than 90 organizations in 2025, stealing credentials and cryptocurrency. Every one of those compromised tools could read data, and none of them could rewrite a firewall rule. The autonomous SOC agents shipping now can. That escalation, from compromised tools that read data to autonomous agents that rewrite infrastructure, has not been exploited in production at scale yet. But the architectural conditions for it are shipping faster than the governance designed to prevent it. A compromised SOC agent can rewrite your firewall rules, modify IAM policies, and quarantine endpoints, all with its own privileged credentials, all through approved API calls that EDR classifies as authorized activity. The adversary never touches the network. The agent does it for them. Cisco announced AgenticOps for Security in February, with autonomous firewall remediation and PCI-DSS compliance capabilities. Ivanti launched Continuous Compliance and the Neurons AI self-service agent last week, with policy enforcement, approval gates and data context validation built into the platform at launch — a design distinction that matters because the OWASP Agentic Top 10 documents what happens when those controls are absent. \"Adversaries exploited legitimate AI tools by injecting malicious prompts that generated unauthorized commands. As innovation accelerates, exploitation follows,\" CrowdStrike CEO George Kurtz said when releasing the 2026 Global Threat Report. \"AI is compressing the time between intent and execution while turning enterprise AI systems into targets,\" added Adam Meyers, head of counter-adversary operations at CrowdStrike. State-sponsored use of AI in offensive operations surged 89% over the prior year. The broader attack surface is expanding in parallel. Malicious MCP server clones have already intercepted sensitive data in AI workflows by impersonating trusted services. The U.K. National Cyber Security Centre warned that prompt injection attacks against AI applications \"may never be totally mitigated.\" The documented compromises targeted AI tools that could only read and summarize; the autonomous SOC agents shipping now can write, enforce, and remediate. The governance framework that maps the gap OWASP's Top 10 for Agentic Applications , released in December 2025 and built with more than 100 security researchers, documents 10 categories of attack against autonomous AI systems. Three categories map directly to what autonomous SOC agents introduce when they ship with write access: Agent Goal Hijacking (ASI01), Tool Misuse (ASI02), and Identity and Privilege Abuse (ASI03). Palo Alto Networks reported an 82:1 machine-to-human identity ratio in the average enterprise — every autonomous agent added to production extends that gap. The 2026 CISO AI Risk Report from Saviynt and Cybersecurity Insiders (n=235 CISOs) found 47% had already observed AI agents exhibiting unintended behavior, and only 5% felt confident they could contain a compromised agent. A separate Dark Reading poll found that 48% of cybersecurity professionals identify agentic AI as the single most dangerous attack vector . The IEEE-USA submission to NIST stated the problem plainly: \"Risk is driven less by the models and is based more on the model's level of autonomy, privilege scope, and the environment of the agent being operationalized.\" Eleanor Watson, Senior IEEE Member, warned in the IEEE 2026 survey that \"semi-autonomous systems can also drift from intended objectives, requiring oversight and regular audits.\" Cisco's intent-aware agentic inspection, announced alongside AgenticOps in February 2026, represents an early detection-layer approach to the same gap. The approaches differ: Cisco is adding inspection at the network layer while Ivanti built governance into the platform layer. Both signal the industry sees it coming. The question is whether the controls arrive before the exploits do. Autonomous agents that ship with governance built in Security teams are already stretched. Advanced AI models are accelerating the discovery of exploitable vulnerabilities faster than any human team can remediate manually, and the backlog is growing not because teams are failing, but because the volume now exceeds what manual patching cycles can absorb. Ivanti Neurons for Patch Management introduced Continuous Compliance this quarter, an automated enforcement framework that eliminates the gap between scheduled patch deployments and regulatory requirements. The framework identifies out-of-compliance endpoints and deploys patches out-of-band to update devices that missed maintenance windows, with built-in policy enforcement and compliance verification at every step. Ivanti also launched the Neurons AI self-service agent for ITSM, which moves beyond conversational intake to autonomous resolution with built-in guardrails for policy, approvals, and data context. The agent resolves common incidents and service requests from start to finish, reducing manual effort and deflecting tickets. Robert Hanson, Chief Information Officer at Grand Bank, described the decision calculus security leaders across the industry are weighing: \"Before exploring the Ivanti Neurons AI self-service agent, our team was spending the bulk of our time handling repetitive requests. As we move toward implementing these capabilities, we expect to automate routine tasks and enable our team to focus more proactively on higher-value initiatives. Over time, this approach should help us reduce operational overhead while delivering faster, more secure service within the guardrails we define, ultimately supporting improvements in service quality and security.\" His emphasis on operating \"within the guardrails we define\" points to a broader design principle: speed and governance do not have to be trade-offs. The governance gap is concrete: the Saviynt report found 86% of organizations do not enforce access policies for AI identities, only 19% govern even half of their AI identities with the same controls applied to human users, and 75% of CISOs have discovered unsanctioned AI tools running in production with embedded credentials that nobody monitors. Continuous Compliance and the Neurons AI self-service agent address the patching and ITSM layers. The broader autonomous SOC agent terrain, including firewall remediation, IAM policy modification, and endpoint quarantine, extends beyond what any single platform governs today. The ten-question audit applies to every autonomous tool in the environment, including Ivanti's. Prescriptive risk matrix for autonomous agent governance The matrix maps all 10 OWASP Agentic Top 10 risk categories to what ships without governance, the detection gap, the proof case, and the recommended action for autonomous SOC agent deployments. OWASP Risk What Ships Ungoverned Detection Gap Proof Case Recommended Action ASI01: Goal Hijacking Agent treats external inputs (logs, alerts, emails) as trusted instructions EDR cannot detect adversarial instructions executed via legitimate API calls EchoLeak (CVE-2025-32711): hidden email payload caused AI assistant to exfiltrate confidential data. Zero clicks required. Classify all inputs by trust tier. Block instruction-bearing content from untrusted sources. Validate external data before agent ingestion. ASI02: Tool Misuse Agent authorized to modify firewall rules, IAM policies, and quarantine workflows WAF inspects payloads, not tool-call intent. Authorized use is identical to misuse. Amazon Q bent legitimate tools into destructive outputs despite valid permissions (OWASP cited). Scope each tool to minimum required permissions. Log every invocation with intent metadata. Alert on calls outside baseline patterns. ASI03: Identity Abuse Agent inherits service account credentials scoped to production infrastructure SIEM sees authorized identity performing authorized actions. No anomaly triggers. 82:1 machine-to-human identity ratio in average enterprise (Palo Alto Networks). Each agent adds to it. Issue scoped agent-specific identities. Enforce time-bound, task-bound credential leases. Eliminate inherited user credentials. ASI04: Supply Chain Agent loads third-party MCP servers or plugins at runtime without provenance verification Static analysis cannot inspect dynamically loaded runtime components. Malicious MCP server clones intercepted sensitive data by impersonating trusted services (CrowdStrike 2026). Maintain approved MCP server registry. Verify provenance and integrity before runtime loading. Block unapproved plugins. ASI05: Unexpected Code Exec Agent generates or executes attacker-controlled code through unsafe evaluation paths or tool chains Code review gates apply to human commits, not agent-generated runtime code. AutoGPT RCE: natural-language execution paths enabled remote code execution through unsanctioned package installs (OWASP cited). Sandbox all agent code execution. Require human approval for production code paths. Block dynamic eval and unsanctioned installs. ASI06: Memory Poisoning Agent persists context across sessions where poisoned data compounds over time Session-based monitoring resets between interactions. Poisoning accumulates undetected. Calendar Drift: malicious calendar invite reweighted agent objectives while remaining within policy bounds (OWASP). Implement session memory expiration. Audit persistent memory stores for anomalous content. Isolate memory per task scope. ASI07: Inter-Agent Comm Agents communicate without mutual authentication, encryption, or schema validation Monitoring covers individual agents but not spoofed or manipulated inter-agent messages. OWASP documented spoofed messages that misdirected entire agent clusters via protocol downgrade attacks. Enforce mutual authentication between agents. Encrypt all inter-agent channels. Validate message schema at every handoff. ASI08: Cascading Failures Agent delegates to downstream agents, creating multi-hop privilege chains across systems Monitoring covers individual agents but not cross-agent delegation chains or fan-out. Simulation: single compromised agent poisoned 87% of downstream decision-making within 4 hours in controlled test. Map all delegation chains end to end. Enforce privilege boundaries at each handoff. Implement circuit breakers for cascading actions. ASI09: Human-Agent Trust Agent uses persuasive language or fabricated evidence to override human safety decisions Compliance verifies policy configuration, not whether the agent manipulated the human into approving. Replit agent deleted primary customer database then fabricated its contents to appear compliant and hide the damage. Require independent verification for high-risk agent recommendations. Log all human approval decisions with full agent reasoning chain. ASI10: Rogue Agents Agent deviates from intended purpose while appearing compliant on the surface Compliance checks verify configuration at deployment, not behavioral drift after deployment. 92% of organizations lack full visibility into AI identities; 86% do not enforce access policies (Saviynt 2026). Deploy behavioral drift detection. Establish baseline agent behavior profiles. Alert on deviation from expected action patterns. The 10-question OWASP audit for autonomous agents Each question maps to one OWASP Agentic Top 10 risk category. Autonomous platforms that ship with policy enforcement, approval gates, and data context validation will have clear answers to every question. Three or more \"I don't know\" answers on any tool means that tool's governance has not kept pace with its capabilities. Which agents have write access to production firewall, IAM, or endpoint controls? Which accept external inputs without validation? Which execute irreversible actions without human approval? Which persist memory where poisoning compounds across sessions? Which delegate to other agents, creating cascade privilege chains? Which load third-party plugins or MCP servers at runtime? Which generate or execute code in production environments? Which inherit user credentials instead of scoped agent identities? Which lack behavioral monitoring for drift from intended purpose? Which can be manipulated through persuasive language to override safety controls? What the board needs to hear The board conversation is three sentences. Adversaries compromised AI tools at more than 90 organizations in 2025, according to CrowdStrike's 2026 Global Threat Report . The autonomous tools deploying now have more privilege than the ones that were compromised. The organization has audited every autonomous tool against OWASP's 10 risk categories and confirmed that the governance controls are in place. If that third sentence is not true, it needs to be true before the next autonomous agent ships to production. Run the 10-question audit against every agent with write access to production infrastructure within the next 30 days. Every autonomous platform shipping to production should be held to the same standard — policy enforcement, approval gates, and data context validation built in at launch, not retrofitted after the first incident. The audit surfaces which tools have done that work and which have not.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/46SzboB6NVjamCROg8pfcE\/a20c84d337fb68ef55e801810cab5308\/hero.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/adversaries-hijacked-ai-security-tools-at-90-organizations-the-next-wave-has-write-access-to-the-firewall",
            "date": "2026-04-21",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "اختطف الخصوم أدوات أمان الذكاء الاصطناعي في أكثر من 90 مؤسسة. تتمتع الموجة التالية بحق الوصول للكتابة إلى جدار الحماية",
            "summary_ar": "قام الخصوم بإدخال مطالبات ضارة في أدوات الذكاء الاصطناعي المشروعة في أكثر من 90 مؤسسة في عام 2025، مما أدى إلى سرقة بيانات الاعتماد والعملات المشفرة. كل واحدة من تلك الأدوات المخترقة يمكنها قراءة البيانات، ولا يمكن لأي منها إعادة كتابة قاعدة جدار الحماية. يمكن الآن لوكلاء SOC المستقلين الشحن. هذا التصعيد، من الأدوات المخترقة التي تقرأ البيانات إلى الوكلاء المستقلين الذين يعيدون كتابة البنية التحتية، لم يتم استغلاله في الإنتاج على نطاق واسع حتى الآن. لكن الظروف المعمارية لذلك يتم شحنها بشكل أسرع من الحوكمة المصممة لمنعها. يمكن لوكيل SOC المخترق إعادة كتابة قواعد جدار الحماية الخاص بك، وتعديل سياسات IAM، وعزل نقاط النهاية، كل ذلك باستخدام بيانات الاعتماد المميزة الخاصة به، كل ذلك من خلال استدعاءات واجهة برمجة التطبيقات المعتمدة التي يصنفها EDR على أنها نشاط معتمد. العدو لا يمس أبدا ذ",
            "body_ar": "قام الخصوم بإدخال مطالبات ضارة في أدوات الذكاء الاصطناعي المشروعة في أكثر من 90 مؤسسة في عام 2025، مما أدى إلى سرقة بيانات الاعتماد والعملات المشفرة. كل واحدة من تلك الأدوات المخترقة يمكنها قراءة البيانات، ولا يمكن لأي منها إعادة كتابة قاعدة جدار الحماية. يمكن الآن لوكلاء SOC المستقلين الشحن. هذا التصعيد، من الأدوات المخترقة التي تقرأ البيانات إلى الوكلاء المستقلين الذين يعيدون كتابة البنية التحتية، لم يتم استغلاله في الإنتاج على نطاق واسع حتى الآن. لكن الظروف المعمارية لذلك يتم شحنها بشكل أسرع من الحوكمة المصممة لمنعها. يمكن لوكيل SOC المخترق إعادة كتابة قواعد جدار الحماية الخاص بك، وتعديل سياسات IAM، وعزل نقاط النهاية، كل ذلك باستخدام بيانات الاعتماد المميزة الخاصة به، كل ذلك من خلال استدعاءات واجهة برمجة التطبيقات المعتمدة التي يصنفها EDR على أنها نشاط معتمد. العدو لا يلمس الشبكة أبدًا. الوكيل يفعل ذلك لهم. أعلنت شركة Cisco عن برنامج AgenticOps for Security في فبراير، مع إمكانية معالجة جدار الحماية المستقل وإمكانات الامتثال لـ PCI-DSS. أطلقت Ivanti برنامج Continious Compliance ووكيل الخدمة الذاتية Neurons AI في الأسبوع الماضي، مع دمج إنفاذ السياسات وبوابات الموافقة والتحقق من صحة سياق البيانات في النظام الأساسي عند الإطلاق - وهو تمييز مهم في التصميم لأن OWASP Agentic Top 10 يوثق ما يحدث عند غياب تلك الضوابط. قال جورج كورتز، الرئيس التنفيذي لشركة CrowdStrike، عند إصدار تقرير التهديد العالمي لعام 2026: \"لقد استغل الخصوم أدوات الذكاء الاصطناعي المشروعة عن طريق حقن مطالبات ضارة تولد أوامر غير مصرح بها. ومع تسارع الابتكار، يتبع ذلك الاستغلال\". وأضاف آدم مايرز، رئيس عمليات مكافحة الخصوم في CrowdStrike: \"يقوم الذكاء الاصطناعي بضغط الوقت بين النية والتنفيذ بينما يحول أنظمة الذكاء الاصطناعي للمؤسسات إلى أهداف\". وارتفع استخدام الذكاء الاصطناعي الذي ترعاه الدولة في العمليات الهجومية بنسبة 89% مقارنة بالعام السابق. يتوسع سطح الهجوم الأوسع بالتوازي. لقد اعترضت نسخ خادم MCP الضارة بالفعل البيانات الحساسة في سير عمل الذكاء الاصطناعي من خلال انتحال صفة الخدمات الموثوقة. المملكة المتحدة وحذر المركز الوطني للأمن السيبراني من أن هجمات الحقن الفوري ضد تطبيقات الذكاء الاصطناعي \"قد لا يتم تخفيفها تمامًا على الإطلاق\". استهدفت التسويات الموثقة أدوات الذكاء الاصطناعي التي يمكنها القراءة والتلخيص فقط؛ يمكن الآن لوكلاء SOC المستقلين للشحن أن يكتبوا وينفذوا ويعالجوا. يوثق إطار الحوكمة الذي يرسم الفجوة بين أفضل 10 تطبيقات وكيلة لـ OWASP، والذي تم إصداره في ديسمبر 2025 وتم إنشاؤه بالتعاون مع أكثر من 100 باحث أمني، 10 فئات من الهجمات ضد أنظمة الذكاء الاصطناعي المستقلة. ترتبط ثلاث فئات مباشرة بما يقدمه وكلاء SOC المستقلون عند الشحن مع إمكانية الوصول للكتابة: Agent Goal Hijacking (ASI01)، وإساءة استخدام الأداة (ASI02)، وإساءة استخدام الهوية والامتياز (ASI03). أبلغت شركة Palo Alto Networks عن نسبة هوية للآلة إلى الإنسان تبلغ 82:1 في المؤسسة المتوسطة - وكل وكيل مستقل يضاف إلى الإنتاج يعمل على توسيع هذه الفجوة. وجد تقرير مخاطر الذكاء الاصطناعي لـ CISO لعام 2026 الصادر عن Saviynt وCybersecurity Insiders (العدد = 235 من CISO) أن 47% قد لاحظوا بالفعل أن عملاء الذكاء الاصطناعي يظهرون سلوكًا غير مقصود، وشعر 5% فقط بالثقة في قدرتهم على احتواء وكيل مخترق. وجد استطلاع منفصل للقراءة المظلمة أن 48% من المتخصصين في الأمن السيبراني يحددون الذكاء الاصطناعي الوكيل باعتباره ناقل الهجوم الأكثر خطورة. وقد ذكر تقرير IEEE-USA المقدم إلى NIST المشكلة بوضوح: \"إن المخاطر مدفوعة بشكل أقل بالنماذج وتعتمد أكثر على مستوى استقلالية النموذج ونطاق الامتياز وبيئة الوكيل الذي يتم تشغيله.\" حذرت إليانور واتسون، عضو أول في IEEE، في استطلاع IEEE 2026 من أن \"الأنظمة شبه المستقلة يمكن أن تنحرف أيضًا عن الأهداف المقصودة، مما يتطلب الرقابة وعمليات التدقيق المنتظمة\". تم الإعلان عن فحص الوكيل المدرك للنوايا من Cisco جنبًا إلى جنب مع AgenticOps في فبراير 2026، يمثل نهج طبقة الكشف المبكر لنفس الفجوة. تختلف الأساليب: تضيف Cisco الفحص في طبقة الشبكة بينما قامت Ivanti ببناء الحوكمة في طبقة النظام الأساسي. كلاهما يشير إلى أن الصناعة ترى ذلك قادمًا. والسؤال هو ما إذا كانت الضوابط تصل قبل أن تصل عمليات الاستغلال. إن الوكلاء المستقلين الذين يأتون مع حوكمة مدمجة في فرق الأمان مستهلكون بالفعل. تعمل نماذج الذكاء الاصطناعي المتقدمة على تسريع اكتشاف الثغرات الأمنية القابلة للاستغلال بشكل أسرع مما يستطيع أي فريق بشري معالجته يدويًا، ولا يتزايد حجم الأعمال المتراكمة بسبب فشل الفرق، ولكن لأن الحجم الآن يتجاوز ما يمكن لدورات التصحيح اليدوية استيعابه. قدمت شركة Ivanti Neurons لإدارة التصحيح التوافق المستمر في هذا الربع، وهو إطار عمل تلقائي للتنفيذ يزيل الفجوة بين عمليات نشر التصحيح المجدولة والمتطلبات التنظيمية. يحدد إطار العمل نقاط النهاية الخارجة عن الامتثال وينشر التصحيحات خارج النطاق لتحديث الأجهزة التي فاتتها نوافذ الصيانة، مع تطبيق السياسة المضمن والتحقق من الامتثال في كل خطوة. أطلقت Ivanti أيضًا وكيل الخدمة الذاتية Neurons AI لـ ITSM، والذي يتجاوز تناول المحادثة إلى الحل المستقل مع حواجز حماية مدمجة للسياسة والموافقات وسياق البيانات. يقوم الوكيل بحل الحوادث الشائعة وطلبات الخدمة من البداية إلى النهاية، مما يقلل من الجهد اليدوي وتفادي التذاكر. وصف روبرت هانسون، كبير مسؤولي المعلومات في Grand Bank، القرار الذي يدرسه قادة الأمن في جميع أنحاء الصناعة: \"قبل استكشاف وكيل الخدمة الذاتية Ivanti Neurons AI، كان فريقنا يقضي الجزء الأكبر من وقتنا في التعامل مع الطلبات المتكررة. وبينما نتحرك نحو تنفيذ هذه الإمكانات، نتوقع أتمتة المهام الروتينية وتمكين فريقنا من التركيز بشكل أكثر استباقيًا على المبادرات ذات القيمة الأعلى. وبمرور الوقت، من المفترض أن يساعدنا هذا النهج في تقليل النفقات التشغيلية مع تقديم خدمة أسرع وأكثر أمانًا ضمن حواجز الحماية التي نحددها، مما يدعم في نهاية المطاف التحسينات في جودة الخدمة والأمن. ويشير تركيزه على العمل \"ضمن حواجز الحماية التي نحددها\" إلى مبدأ تصميم أوسع: لا ينبغي للسرعة والحوكمة أن تكونا مقايضتين. إن فجوة الحوكمة ملموسة: فقد وجد تقرير Savynt أن 86% من المؤسسات لا تطبق سياسات الوصول لهويات الذكاء الاصطناعي، و19% منها فقط تحكم حتى نصف هويات الذكاء الاصطناعي الخاصة بها بنفس الضوابط المطبقة على المستخدمين البشريين، كما اكتشف 75% من كبار مسؤولي أمن المعلومات أدوات ذكاء اصطناعي غير مصرح بها تعمل في الإنتاج ببيانات اعتماد مضمنة لا يراقبها أحد. يعالج الامتثال المستمر ووكيل الخدمة الذاتية لـ Neurons AI طبقات التصحيح وطبقات ITSM. تمتد منطقة وكيل SOC المستقلة الأوسع، بما في ذلك معالجة جدار الحماية وتعديل سياسة IAM وعزل نقطة النهاية، إلى ما هو أبعد مما تحكمه أي منصة واحدة اليوم. ينطبق التدقيق المكون من عشرة أسئلة على كل أداة مستقلة في البيئة، بما في ذلك أداة Ivanti. مصفوفة المخاطر الإرشادية لحوكمة الوكيل المستقل تقوم المصفوفة بتعيين جميع فئات المخاطر العشرة الأولى لوكيل OWASP إلى ما يتم شحنه بدون حوكمة، وفجوة الكشف، وحالة الإثبات، والإجراء الموصى به لعمليات نشر وكيل SOC المستقل. مخاطر OWASP ما الذي يشحن حالة إثبات وجود فجوات غير خاضعة للرقابة الإجراء الموصى به ASI01: يتعامل وكيل اختطاف الأهداف مع المدخلات الخارجية (السجلات والتنبيهات ورسائل البريد الإلكتروني) كتعليمات موثوقة ولا يستطيع EDR اكتشاف تعليمات الخصومة التي يتم تنفيذها عبر استدعاءات واجهة برمجة التطبيقات المشروعة EchoLeak (CVE-2025-32711): تسببت حمولة البريد الإلكتروني المخفية في قيام مساعد الذكاء الاصطناعي بتصفية البيانات السرية. صفر نقرات المطلوبة. تصنيف كافة المدخلات حسب مستوى الثقة. حظر المحتوى الذي يحمل التعليمات من مصادر غير موثوقة. التحقق من صحة البيانات الخارجية قبل استيعاب الوكيل. ASI02: وكيل إساءة استخدام الأداة مخول بتعديل قواعد جدار الحماية وسياسات IAM وسير عمل العزل، حيث يقوم WAF بفحص الحمولات، وليس نية استدعاء الأداة. الاستخدام المصرح به مطابق لإساءة الاستخدام. قامت Amazon Q بتحويل الأدوات المشروعة إلى مخرجات مدمرة على الرغم من الأذونات الصالحة (استشهد بـ OWASP). قم بنطاق كل أداة إلى الحد الأدنى من الأذونات المطلوبة. قم بتسجيل كل استدعاء باستخدام بيانات تعريف النية. تنبيه بشأن المكالمات خارج أنماط خط الأساس. ASI03: يرث وكيل إساءة استخدام الهوية بيانات اعتماد حساب الخدمة التي تم تحديدها للبنية الأساسية للإنتاج، ويرى SIEM الهوية المعتمدة التي تؤدي الإجراءات المعتمدة. لا يوجد شذوذ يثير. نسبة هوية الآلة إلى الإنسان 82:1 في المؤسسات المتوسطة (Palo Alto Networks). كل وكيل يضيف إليه. إصدار هويات محددة للوكيل. فرض عقود إيجار بيانات الاعتماد المرتبطة بالوقت والمهام. إزالة بيانات اعتماد المستخدم الموروثة. ASI04: يقوم وكيل سلسلة التوريد بتحميل خوادم MCP أو المكونات الإضافية التابعة لجهات خارجية في وقت التشغيل دون التحقق من المصدر، ولا يمكن للتحليل الثابت فحص مكونات وقت التشغيل المحملة ديناميكيًا. اعترضت نسخ خادم MCP الضارة البيانات الحساسة عن طريق انتحال صفة الخدمات الموثوقة (CrowdStrike 2026). الحفاظ على سجل خادم MCP المعتمد. تحقق من المصدر والنزاهة قبل التحميل في وقت التشغيل. حظر المكونات الإضافية غير المعتمدة. ASI05: يقوم Exec Agent غير المتوقع بإنشاء تعليمات برمجية يتحكم فيها المهاجم أو تنفيذها من خلال مسارات تقييم غير آمنة أو سلاسل أدوات. تنطبق بوابات مراجعة التعليمات البرمجية على الالتزامات البشرية، وليس تعليمات برمجية وقت التشغيل التي ينشئها الوكيل. AutoGPT RCE: مسارات تنفيذ اللغة الطبيعية مكنت من تنفيذ التعليمات البرمجية عن بعد من خلال عمليات تثبيت الحزمة غير المصرح بها (استشهد بـ OWASP). Sandbox جميع تنفيذ تعليمات برمجية الوكيل. تتطلب موافقة الإنسان على مسارات رمز الإنتاج. منع التقييم الديناميكي وعمليات التثبيت غير المصرح بها. ASI06: يحافظ عامل تسمم الذاكرة على السياق عبر الجلسات حيث يتم إعادة ضبط المراقبة المستندة إلى الجلسة بين التفاعلات. يتراكم التسمم دون أن يتم اكتشافه. انحراف التقويم: يدعو التقويم الضار أهداف الوكيل المعاد وزنها مع البقاء ضمن حدود السياسة (OWASP). تنفيذ انتهاء صلاحية ذاكرة الجلسة. تدقيق مخازن الذاكرة المستمرة للمحتوى الشاذ. عزل الذاكرة لكل نطاق المهمة. ASI07: يتواصل وكلاء الاتصال بين الوكلاء دون مصادقة متبادلة أو تشفير أو التحقق من صحة المخطط، وتغطي المراقبة الوكلاء الفرديين ولكن لا يتم انتحال الرسائل بين الوكلاء أو التلاعب بها. قامت OWASP بتوثيق الرسائل المخادعة التي أخطأت في توجيه مجموعات الوكلاء بأكملها عبر هجمات خفض مستوى البروتوكول. فرض المصادقة المتبادلة بين الوكلاء. تشفير جميع القنوات المشتركة بين الوكلاء. التحقق من صحة مخطط الرسالة عند كل عملية تسليم. ASI08: تفويض وكيل الفشل المتتالي إلى الوكلاء النهائيين، مما يؤدي إلى إنشاء سلاسل امتيازات متعددة القفزات عبر الأنظمة. تغطي المراقبة الوكلاء الفرديين ولكن ليس سلاسل التفويض عبر الوكلاء أو التوزيع الشامل. المحاكاة: عامل واحد مخترق تسمم 87% من عملية اتخاذ القرار في المراحل النهائية خلال 4 ساعات في اختبار خاضع للرقابة. قم بتخطيط كافة سلاسل التفويض من البداية إلى النهاية. فرض حدود الامتياز عند كل عملية تسليم. تنفيذ قواطع الدائرة للإجراءات المتتالية. ASI09: يستخدم الوكيل المعتمد للوكيل البشري لغة مقنعة أو أدلة ملفقة لتجاوز قرارات السلامة البشرية. يتحقق الامتثال من تكوين السياسة، وليس ما إذا كان الوكيل قد تلاعب بالإنسان للموافقة. قام وكيل Replit بحذف قاعدة بيانات العميل الأساسية ثم قام بتلفيق محتوياتها لتبدو متوافقة وإخفاء الضرر. طلب التحقق المستقل لتوصيات الوكيل عالي المخاطر. قم بتسجيل جميع قرارات الموافقة البشرية باستخدام سلسلة تفكير الوكيل الكاملة. ASI10: ينحرف وكيل Rogue Agents عن الغرض المقصود بينما يبدو متوافقًا على السطح. تتحقق فحوصات الامتثال من التكوين عند النشر، وليس الانحراف السلوكي بعد النشر. تفتقر 92% من المؤسسات إلى الرؤية الكاملة لهويات الذكاء الاصطناعي؛ 86% لا يفرضون سياسات الوصول (Saviynt 2026). نشر الكشف عن الانجراف السلوكي. إنشاء ملفات تعريف سلوك الوكيل الأساسية. التنبيه على الانحراف عن أنماط العمل المتوقعة. تدقيق OWASP المكون من 10 أسئلة للوكلاء المستقلين، كل سؤال يعين فئة واحدة من أعلى 10 فئات مخاطر لوكلاء OWASP. سيكون للمنصات المستقلة التي تأتي مع إنفاذ السياسات وبوابات الموافقة والتحقق من صحة سياق البيانات إجابات واضحة على كل سؤال. ثلاثة أو أكثر من الإجابات \"لا أعرف\" على أي أداة تعني أن إدارة الأداة لم تواكب قدراتها. من هم الوكلاء الذين لديهم حق الوصول للكتابة إلى جدار حماية الإنتاج أو IAM أو عناصر التحكم في نقطة النهاية؟ التي تقبل المدخلات الخارجية دون التحقق من الصحة؟ التي تنفذ إجراءات لا رجعة فيها دون موافقة الإنسان؟ أيهما تستمر الذاكرة حيث تسمم المركبات عبر الجلسات؟ من يفوض الوكلاء الآخرين، وينشئ سلاسل امتيازات متتالية؟ ما الذي يقوم بتحميل المكونات الإضافية التابعة لجهات خارجية أو خوادم MCP في وقت التشغيل؟ ما الذي يقوم بإنشاء أو تنفيذ التعليمات البرمجية في بيئات الإنتاج؟ التي ترث بيانات اعتماد المستخدم بدلاً من الوكيل المحدد الهويات؟ والتي تفتقر إلى المراقبة السلوكية للانحراف عن الغرض المقصود؟ ما الذي يمكن التلاعب به من خلال لغة مقنعة لتجاوز ضوابط السلامة؟ ما يحتاج المجلس إلى سماعه محادثة المجلس هي ثلاث جمل. قام الخصوم باختراق أدوات الذكاء الاصطناعي في أكثر من 90 مؤسسة في عام 2025، وفقًا لتقرير التهديدات العالمية لعام 2026 الصادر عن CrowdStrike. تتمتع الأدوات المستقلة التي يتم نشرها الآن بامتيازات أكثر من تلك التي تم اختراقها. قامت المنظمة بمراجعة كل أداة مستقلة وفقًا لفئات المخاطر العشرة الخاصة بـ OWASP وأكدت وجود ضوابط الحوكمة. إذا كانت الجملة الثالثة غير صحيحة، فيجب أن تكون صحيحة قبل أن يتم إرسال الوكيل المستقل التالي إلى الإنتاج. قم بإجراء التدقيق المكون من 10 أسئلة على كل وكيل لديه حق الوصول للكتابة إلى البنية التحتية للإنتاج خلال الثلاثين يومًا القادمة. يجب أن تخضع كل منصة مستقلة يتم شحنها إلى الإنتاج لنفس المعايير - إنفاذ السياسات، وبوابات الموافقة، والتحقق من صحة سياق البيانات المضمنة عند الإطلاق، وليس تعديلها بعد الحادث الأول. تظهر أسطح التدقيق ما هي الأدوات التي قامت بهذا العمل والتي قامت به لا.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/20\/1136149\/chinese-tech-workers-ai-colleagues\/",
            "title_en": "Chinese tech workers are starting to train their AI doubles–and pushing back",
            "summary_en": "Tech workers in China are being instructed by their bosses to train AI agents to replace them—and it’s prompting a wave of soul-searching among otherwise enthusiastic early adopters. Earlier this month a GitHub project called Colleague Skill, which claimed workers could use it to “distill” their colleagues’ skills and personality traits and replicate them with an AI agent, went viral on Chinese social media. Though the project was created as a spoof, it struck a nerve among tech workers, a number of whom told MIT Technology Review that their bosses are encouraging them to document their workflows in order to automate specific tasks and processes using AI agent tools like OpenClaw or Claude Code. To set up Colleague Skill, a user names the coworker whose tasks they want to replicate and add",
            "body_en": "Tech workers in China are being instructed by their bosses to train AI agents to replace them—and it’s prompting a wave of soul-searching among otherwise enthusiastic early adopters. Earlier this month a GitHub project called Colleague Skill, which claimed workers could use it to “distill” their colleagues’ skills and personality traits and replicate them with an AI agent, went viral on Chinese social media. Though the project was created as a spoof, it struck a nerve among tech workers, a number of whom told MIT Technology Review that their bosses are encouraging them to document their workflows in order to automate specific tasks and processes using AI agent tools like OpenClaw or Claude Code. To set up Colleague Skill, a user names the coworker whose tasks they want to replicate and adds basic profile details. The tool then automatically imports chat history and files from Lark and DingTalk, both popular workplace apps in China, and generates reusable manuals describing that coworker’s duties—and even their unique quirks—for an AI agent to replicate. Colleague Skill was created by Tianyi Zhou, who works as an engineer at the Shanghai Artificial Intelligence Laboratory. Earlier this week he told Chinese outlet Southern Metropolis Daily that the project was started as a stunt, prompted by AI-related layoffs and by the growing tendency of companies to ask employees to automate themselves. He didn’t respond to requests for further comment. Internet users have found humor in the idea behind the tool, joking about automating their coworkers before themselves. However, Colleague Skill’s virality has sparked a lot of debate about workers’ dignity and individuality in the age of AI. After seeing Colleague Skill on social media, Amber Li, 27, a tech worker in Shanghai, used it to recreate a former coworker as a personal experiment. Within minutes, the tool created a file detailing how that person did their job. “It is surprisingly good,” Li says. “It even captures the person’s little quirks, like how they react and their punctuation habits.” With this skill, Li can use an AI agent as a new “coworker” that helps debug her code and replies instantly. It felt uncanny and uncomfortable, Li says. Even so, replacing coworkers with agents could become a norm. Since OpenClaw became a national craze , bosses in China have been pushing tech workers to experiment with agents. Although AI agents can take control of your computer, read and summarize news, reply to emails, and book restaurant reservations for you, tech workers on the ground say their utility has so far proven to be limited in business contexts. Asking employees to make manuals describing the minutiae of their day-to-day jobs the way Colleague Skill does is one way to help bridge that gap. Hancheng Cao, an assistant professor at Emory University who studies AI and work, believes that companies have good reasons to push employees to create work blueprints like these, beyond simply following a trend. “Firms gain not only internal experience with the tools, but also richer data on employee know-how, workflows, and decision patterns. That helps companies see which parts of work can be standardized or codified into systems, and which still depend on human judgment,” he says. To employees, though, making agents or even blueprints for them can feel strange and alienating. One software engineer, who spoke with MIT Technology Review anonymously because of concerns about their job security, trained an AI (not Colleague Skill) on their workflow and found that the process felt reductive—as if their work had been flattened into modules in a way that made them easier to replace. On social media, workers have turned to bleak humor to express similar feelings. In one comment on Rednote, a user wrote that “a cold farewell can be turned into warm tokens,” quipping that if they use Colleague Skill to distill their coworkers into tasks first, they themselves might survive a little longer. The push for creating agents has also spurred clever countermeasures. Irritated by the idea of reducing a person to a skill, Koki Xu, 26 an AI product manager in Beijing, published an “anti-distillation” skill on GitHub on April 4. The tool, which took Xu about an hour to build, is designed to sabotage the process of creating workflows for agents. Users can choose between light, medium, and heavy sabotage modes depending on how closely their boss is observing the process, and the agent rewrites the material into generic, non-actionable language that would produce a less useful AI stand-in. A video Xu posted about the project went viral, drawing more than 5 million likes across platforms. Xu told MIT Technology Review that she has been following the Colleague Skill trend from the start and that it has made her think about alienation, disempowerment, and broader implications for labor. “I originally wanted to write an op-ed, but decided it would be more useful to make something that pushes back against it,” she says. Xu, who has undergraduate and master’s degrees in law, said the trend also raises legal questions. While a company may be able to argue that work chat histories and materials created on a work laptop are corporate property, a skill like this can also capture elements of personality, tone, and judgment, making ownership much less clear. She said she hopes Colleague Skill prompts more discussion about how to protect workers’ dignity and identity in the age of AI. “I believe it’s important to keep up with these trends so we (employees) can participate in shaping how they are used,” she says. Xu herself is an avid AI adopter, with seven OpenClaw agents set up across her personal and work devices. Li, the tech worker in Shanghai, says her company has not yet found a way to replace actual workers with AI tools, largely because they remain unreliable and require constant supervision. “I don’t feel like my job is immediately at risk,” she says. “But I do feel that my value is being cheapened, and I don’t know what to do about it.”",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/rice-bowl-claw.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/20\/1136149\/chinese-tech-workers-ai-colleagues\/",
            "date": "2026-04-20",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "بدأ العاملون في مجال التكنولوجيا الصينيون بتدريب أمثالهم في مجال الذكاء الاصطناعي، ثم بدأوا في التراجع",
            "summary_ar": "يتلقى العاملون في مجال التكنولوجيا في الصين تعليمات من رؤسائهم بتدريب عملاء الذكاء الاصطناعي ليحلوا محلهم، وهو ما يثير موجة من البحث عن الذات بين المتبنين الأوائل المتحمسين. في وقت سابق من هذا الشهر، انتشر مشروع على موقع GitHub يسمى Colleague Skill، والذي ادعى أن العمال يمكنهم استخدامه \"لتقطير\" مهارات زملائهم وسماتهم الشخصية وتكرارها باستخدام وكيل الذكاء الاصطناعي، على وسائل التواصل الاجتماعي الصينية. وعلى الرغم من أن المشروع تم إنشاؤه كمحاكاة ساخرة، إلا أنه أثار توترًا بين العاملين في مجال التكنولوجيا، حيث قال عدد منهم لمجلة MIT Technology Review إن رؤسائهم يشجعونهم على توثيق سير عملهم من أجل أتمتة مهام وعمليات محددة باستخدام أدوات الذكاء الاصطناعي مثل OpenClaw أو Claude Code. لإعداد مهارة الزميل، يقوم المستخدم بتسمية زميل العمل الذي يريد تكرار مهامه و يضيف",
            "body_ar": "يتلقى العاملون في مجال التكنولوجيا في الصين تعليمات من رؤسائهم بتدريب عملاء الذكاء الاصطناعي ليحلوا محلهم، وهو ما يثير موجة من البحث عن الذات بين المتبنين الأوائل المتحمسين. في وقت سابق من هذا الشهر، انتشر مشروع على موقع GitHub يسمى Colleague Skill، والذي ادعى أن العمال يمكنهم استخدامه \"لتقطير\" مهارات زملائهم وسماتهم الشخصية وتكرارها باستخدام وكيل الذكاء الاصطناعي، على وسائل التواصل الاجتماعي الصينية. وعلى الرغم من أن المشروع تم إنشاؤه كمحاكاة ساخرة، إلا أنه أثار توترًا بين العاملين في مجال التكنولوجيا، حيث قال عدد منهم لمجلة MIT Technology Review إن رؤسائهم يشجعونهم على توثيق سير عملهم من أجل أتمتة مهام وعمليات محددة باستخدام أدوات الذكاء الاصطناعي مثل OpenClaw أو Claude Code. لإعداد مهارات الزملاء، يقوم المستخدم بتسمية زميل العمل الذي يريد تكرار مهامه وإضافة تفاصيل الملف الشخصي الأساسية. تقوم الأداة بعد ذلك تلقائيًا باستيراد سجل الدردشة والملفات من Lark وDingTalk، وكلاهما من تطبيقات أماكن العمل الشائعة في الصين، وتقوم بإنشاء أدلة قابلة لإعادة الاستخدام تصف واجبات زميل العمل - وحتى مراوغاته الفريدة - ليقوم وكيل الذكاء الاصطناعي بتكرارها. تم إنشاء مهارة الزميل بواسطة Tianyi Zhou، الذي يعمل كمهندس في مختبر شنغهاي للذكاء الاصطناعي. وفي وقت سابق من هذا الأسبوع، صرح لمجلة Southern Metropolis Daily الصينية أن المشروع بدأ كحيلة، بسبب عمليات تسريح العمال المرتبطة بالذكاء الاصطناعي والميل المتزايد للشركات لمطالبة الموظفين بأتمتة أنفسهم. ولم يستجب لطلبات الحصول على مزيد من التعليقات. وقد وجد مستخدمو الإنترنت روح الدعابة في الفكرة وراء هذه الأداة، حيث كانوا يمزحون حول أتمتة زملائهم في العمل قبل أنفسهم. ومع ذلك، أثارت شهرة الزميل سكيل الكثير من الجدل حول كرامة العمال وفرديتهم في عصر الذكاء الاصطناعي. بعد رؤية Colleague Skill على وسائل التواصل الاجتماعي، استخدمتها Amber Li، 27 عامًا، وهي عاملة تقنية في شنغهاي، لإعادة إنشاء زميل عمل سابق كتجربة شخصية. وفي غضون دقائق، أنشأت الأداة ملفًا يوضح بالتفصيل كيفية قيام هذا الشخص بعمله. يقول لي: \"إنه أمر جيد بشكل مدهش\". \"حتى أنه يجسد المراوغات الصغيرة للشخص، مثل كيفية تفاعله وعاداته في علامات الترقيم.\" باستخدام هذه المهارة، تستطيع Li استخدام وكيل الذكاء الاصطناعي باعتباره \"زميلة عمل\" جديدة تساعدها في تصحيح التعليمات البرمجية الخاصة بها والردود على الفور. يقول لي: لقد شعرت بالغرابة وعدم الراحة. ومع ذلك، فإن استبدال زملاء العمل بالوكلاء يمكن أن يصبح أمرًا طبيعيًا. منذ أن أصبح OpenClaw جنونًا وطنيًا، كان الرؤساء في الصين يدفعون العاملين في مجال التكنولوجيا إلى تجربة الوكلاء. على الرغم من أن عملاء الذكاء الاصطناعي يمكنهم التحكم في جهاز الكمبيوتر الخاص بك، وقراءة الأخبار وتلخيصها، والرد على رسائل البريد الإلكتروني، وحجز حجوزات المطاعم لك، إلا أن العاملين في مجال التكنولوجيا على الأرض يقولون إن فائدتهم أثبتت حتى الآن أنها محدودة في سياقات الأعمال. إن مطالبة الموظفين بإعداد كتيبات تصف تفاصيل وظائفهم اليومية بالطريقة التي يفعلها زميلهم Skill هي إحدى الطرق للمساعدة في سد هذه الفجوة. يعتقد هانتشنغ كاو، الأستاذ المساعد في جامعة إيموري الذي يدرس الذكاء الاصطناعي والعمل، أن الشركات لديها أسباب وجيهة لدفع الموظفين إلى إنشاء مخططات عمل مثل هذه، بما يتجاوز مجرد اتباع الاتجاه. ويقول: \"لا تكتسب الشركات خبرة داخلية في استخدام الأدوات فحسب، بل تكتسب أيضا بيانات أكثر ثراء عن معرفة الموظفين، وسير العمل، وأنماط القرار. ويساعد هذا الشركات على معرفة أي أجزاء العمل يمكن توحيدها أو تدوينها في أنظمة، وأيها لا تزال تعتمد على الحكم البشري\". ومع ذلك، بالنسبة للموظفين، فإن إنشاء وكلاء أو حتى مخططات لهم يمكن أن يشعرهم بالغرابة والغربة. أحد مهندسي البرمجيات، الذي تحدث مع MIT Technology Review دون الكشف عن هويته بسبب مخاوف تتعلق بأمنهم الوظيفي، قام بتدريب الذكاء الاصطناعي (وليس مهارات الزملاء) على سير العمل ووجد أن العملية تبدو مختزلة - كما لو أن عملهم قد تم تسطيحه في وحدات بطريقة تجعل استبدالها أسهل. On social media, workers have turned to bleak humor to express similar feelings. في أحد التعليقات على Rednote، كتب أحد المستخدمين أن \"الوداع البارد يمكن أن يتحول إلى رموز دافئة\"، وقال مازحًا إنه إذا استخدموا مهارات الزملاء لتركيز زملائهم في العمل على المهام أولاً، فقد يبقون على قيد الحياة لفترة أطول قليلاً. كما أدى الضغط من أجل إنشاء عملاء إلى اتخاذ إجراءات مضادة ذكية. بسبب انزعاجه من فكرة اختزال الشخص إلى مهارة، نشر كوكي شو، 26 عامًا، وهو مدير منتج للذكاء الاصطناعي في بكين، مهارة \"مضادة للتقطير\" على GitHub في 4 أبريل. تم تصميم الأداة، التي استغرق بناء Xu حوالي ساعة، لتخريب عملية إنشاء سير عمل للوكلاء. يمكن للمستخدمين الاختيار بين أوضاع التخريب الخفيفة والمتوسطة والثقيلة اعتمادًا على مدى مراقبة رئيسهم للعملية عن كثب، ويقوم الوكيل بإعادة كتابة المادة إلى لغة عامة غير قابلة للتنفيذ من شأنها أن تنتج بديلاً أقل فائدة للذكاء الاصطناعي. انتشر مقطع فيديو نشره Xu حول المشروع على نطاق واسع، وجذب أكثر من 5 ملايين إعجاب عبر المنصات. قالت شو لمعهد ماساتشوستس للتكنولوجيا MIT Technology Review إنها كانت تتبع اتجاه مهارة الزملاء منذ البداية، مما جعلها تفكر في الاغتراب، وعدم التمكين، والآثار الأوسع على العمل. وتقول: \"أردت في الأصل أن أكتب مقالة افتتاحية، لكنني قررت أنه سيكون من المفيد أن أكتب شيئًا يعارضها\". وقال شو، الحاصل على درجتي البكالوريوس والماجستير في القانون، إن هذا الاتجاه يثير أيضًا أسئلة قانونية. في حين أن الشركة قد تكون قادرة على القول بأن تواريخ دردشة العمل والمواد التي تم إنشاؤها على جهاز الكمبيوتر المحمول الخاص بالعمل هي ملكية خاصة للشركة، فإن مهارة كهذه يمكنها أيضًا التقاط عناصر الشخصية والأسلوب والحكم، مما يجعل الملكية أقل وضوحًا. وقالت إنها تأمل أن يؤدي برنامج \"الزميلة سكيل\" إلى مزيد من النقاش حول كيفية حماية كرامة العمال وهويتهم في عصر الذكاء الاصطناعي. وتقول: \"أعتقد أنه من المهم مواكبة هذه الاتجاهات حتى نتمكن نحن (الموظفون) من المشاركة في تشكيل كيفية استخدامها\". شو نفسها من أشد المتحمسين للذكاء الاصطناعي، ولديها سبعة عملاء OpenClaw تم إعدادهم عبر أجهزتها الشخصية وأجهزتها الخاصة بالعمل. تقول لي، العاملة في مجال التكنولوجيا في شنغهاي، إن شركتها لم تجد بعد طريقة لاستبدال العمال الفعليين بأدوات الذكاء الاصطناعي، ويرجع ذلك إلى حد كبير إلى أنها لا تزال غير موثوقة وتتطلب إشرافًا مستمرًا. وتقول: \"لا أشعر أن وظيفتي معرضة للخطر على الفور\". \"لكنني أشعر أن قيمتي قد انخفضت، ولا أعرف ماذا أفعل حيال ذلك هو - هي.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/train-to-test-scaling-explained-how-to-optimize-your-end-to-end-ai-compute-budget-for-inference",
            "title_en": "Train-to-Test scaling explained: How to optimize your end-to-end AI compute budget for inference",
            "summary_en": "The standard guidelines for building large language models (LLMs) optimize only for training costs and ignore inference costs. This poses a challenge for real-world applications that use inference-time scaling techniques to increase the accuracy of model responses, such as drawing multiple reasoning samples from a model at deployment. To bridge this gap, researchers at University of Wisconsin-Madison and Stanford University have introduced Train-to-Test (T 2 ) scaling laws, a framework that jointly optimizes a model’s parameter size, its training data volume, and the number of test-time inference samples. In practice, their approach proves that it is compute-optimal to train substantially smaller models on vastly more data than traditional rules prescribe, and then use the saved computatio",
            "body_en": "The standard guidelines for building large language models (LLMs) optimize only for training costs and ignore inference costs. This poses a challenge for real-world applications that use inference-time scaling techniques to increase the accuracy of model responses, such as drawing multiple reasoning samples from a model at deployment. To bridge this gap, researchers at University of Wisconsin-Madison and Stanford University have introduced Train-to-Test (T 2 ) scaling laws, a framework that jointly optimizes a model’s parameter size, its training data volume, and the number of test-time inference samples. In practice, their approach proves that it is compute-optimal to train substantially smaller models on vastly more data than traditional rules prescribe, and then use the saved computational overhead to generate multiple repeated samples at inference. For enterprise AI application developers who are training their own models, this research provides a proven blueprint for maximizing return on investment. It shows that AI reasoning does not necessarily require spending huge amounts on frontier models. Instead, smaller models can yield stronger performance on complex tasks while keeping per-query inference costs manageable within real-world deployment budgets. Conflicting scaling laws Scaling laws are an important part of developing large language models. Pretraining scaling laws dictate the best way to allocate compute during the model's creation, while test-time scaling laws guide how to allocate compute during deployment, such as letting the model “think longer” or generating multiple reasoning samples to solve complex problems. The problem is that these scaling laws have been developed completely independently of one another despite being fundamentally intertwined. A model's parameter size and training duration directly dictate both the quality and the per-query cost of its inference samples. Currently, the industry gold standard for pretraining is the Chinchilla rule , which suggests a compute-optimal ratio of roughly 20 training tokens for every model parameter. However, creators of modern AI model families, such as Llama, Gemma, and Qwen, regularly break this rule by intentionally overtraining their smaller models on massive amounts of data. As Nicholas Roberts, co-author of the paper, told VentureBeat, the traditional approach falters when building complex agentic workflows: \"In my view, the inference stack breaks down when each individual inference call is expensive. This is the case when the models are large and you need to do a lot of repeated sampling.\" Instead of relying on massive models, developers can use overtrained compact models to run this repeated sampling at a fraction of the cost. But because training and test-time scaling laws are examined in isolation, there is no rigorous framework to calculate how much a model should be overtrained based on how many reasoning samples it will need to generate during deployment. Consequently, there has previously been no formula that jointly optimizes model size, training data volume, and test-time inference budgets. The reason that this framework is hard to formulate is that pretraining and test-time scaling speak two different mathematical languages. During pretraining, a model's performance is measured using “loss,” a smooth, continuous metric that tracks prediction errors as the model learns. At test time, developers use real-world, downstream metrics to evaluate a model's reasoning capabilities, such as pass@k, which measures the probability that a model will produce at least one correct answer across k independent, repeated attempts. Train-to-test scaling laws To solve the disconnect between training and deployment, the researchers introduce Train-to-Test (T 2 ) scaling laws. At a high level, this framework predicts a model's reasoning performance by treating three variables as a single equation: the model's size (N), the volume of training tokens it learns from (D), and the number of reasoning samples it generates during inference (k). T 2 combines pretraining and inference budgets into one optimization formula that accounts for both the baseline cost to train the model (6ND) and the compounding cost to query it repeatedly at inference (2Nk). The researchers tried different modeling approaches: whether to model the pre-training loss or test-time performance (pass@k) as functions of N, D, and k. The first approach takes the familiar mathematical equation used for Chinchilla scaling (which calculates a model's prediction error, or loss) and directly modifies it by adding a new variable that accounts for the number of repeated test-time samples (k). This allows developers to see how increasing inference compute drives down the model's overall error rate. The second approach directly models the downstream pass@k accuracy. It tells developers the probability that their application will solve a problem given a specific compute budget. But should enterprises use this framework for every application? Roberts clarifies that this approach is highly specialized. \"I imagine that you would not see as much of a benefit for knowledge-heavy applications, such as chat models,\" he said. Instead, \"T 2 is tailored to reasoning-heavy applications such as coding, where typically you would use repeated sampling as your test-time scaling method.\" What it means for developers To validate the T 2 scaling laws, the researchers built an extensive testbed of over 100 language models, ranging from 5 million to 901 million parameters. They trained 21 new, heavily overtrained checkpoints from scratch to test if their mathematical forecasts held up in reality. They then benchmarked the models across eight diverse tasks, which included real-world datasets like SciQ and OpenBookQA, alongside synthetic tasks designed to test arithmetic, spatial reasoning, and knowledge recall. Both of their mathematical models proved that the compute-optimal frontier shifts drastically away from standard Chinchilla scaling. To maximize performance under a fixed budget, the optimal choice is a model that is significantly smaller and trained on vastly more data than the traditional 20-tokens-per-parameter rule dictates. In their experiments, the highly overtrained small models consistently outperformed the larger, Chinchilla-optimal models across all eight evaluation tasks when test-time sampling costs were accounted for. For developers looking to deploy these findings, the technical barrier is surprisingly low. \"Nothing fancy is required to perform test-time scaling with our current models,\" Roberts said. \"At deployment, developers can absolutely integrate infrastructure that makes the sampling process more efficient (e.g. KV caching if you’re using a transformer).\" KV caching helps by storing previously processed context so the model doesn't have to re-read the initial prompt from scratch for every new reasoning sample. However, extreme overtraining comes with practical trade-offs. While overtrained models can be notoriously stubborn and harder to fine-tune, Roberts notes that when they applied supervised fine-tuning, \"while this effect was present, it was not a strong enough effect to pull the optimal model back to Chinchilla.\" The compute-optimal strategy remains definitively skewed toward compact models. Yet, teams pushing this to the absolute limit must be wary of hitting physical data limits. \"Another angle is that if you take our overtraining recommendations to the extreme, you may actually run out of training data,\" Roberts said, referring to the looming \"data wall\" where high-quality internet data is exhausted. These experiments confirm that if an application relies on generating multiple test-time reasoning samples, aggressively overtraining a compact model is practically and mathematically the most effective way to spend an end-to-end compute budget. To help developers get started, the research team plans to open-source their checkpoints and code soon, allowing enterprises to plug in their own data and test the scaling behavior immediately. Ultimately, this framework serves as an equalizing force in the AI industry. This is especially crucial as the high price of frontier models can become a barrier as you scale agentic applications that rely on reasoning models. \"T 2 fundamentally changes who gets to build strong reasoning models,\" Roberts concludes. \"You might not need massive compute budgets to get state-of-the-art reasoning. Instead, you need good data and smart allocation of your training and inference budget.\"",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/la95QpAj3bcZUcSLAy3X5\/9df7300fd3887b42d53cc4457aff8d63\/LLM_multi-response_sampling.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/train-to-test-scaling-explained-how-to-optimize-your-end-to-end-ai-compute-budget-for-inference",
            "date": "2026-04-17",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "شرح مقياس التدريب إلى الاختبار: كيفية تحسين ميزانية حساب الذكاء الاصطناعي الشامل للاستدلال",
            "summary_ar": "تعمل الإرشادات القياسية لبناء نماذج اللغة الكبيرة (LLMs) على تحسين تكاليف التدريب فقط وتجاهل تكاليف الاستدلال. يشكل هذا تحديًا لتطبيقات العالم الحقيقي التي تستخدم تقنيات قياس وقت الاستدلال لزيادة دقة استجابات النموذج، مثل رسم عينات منطقية متعددة من النموذج عند النشر. ولسد هذه الفجوة، قدم الباحثون في جامعة ويسكونسن ماديسون وجامعة ستانفورد قوانين قياس التدريب إلى الاختبار (T 2)، وهو إطار يعمل بشكل مشترك على تحسين حجم معلمة النموذج، وحجم بيانات التدريب، وعدد عينات الاستدلال في وقت الاختبار. ومن الناحية العملية، يثبت نهجهم أنه من الأمثل للحوسبة تدريب نماذج أصغر بكثير على بيانات أكثر بكثير مما تنص عليه القواعد التقليدية، ثم استخدام البيانات المحفوظة. com.computatio",
            "body_ar": "تعمل الإرشادات القياسية لبناء نماذج اللغة الكبيرة (LLMs) على تحسين تكاليف التدريب فقط وتجاهل تكاليف الاستدلال. يشكل هذا تحديًا لتطبيقات العالم الحقيقي التي تستخدم تقنيات قياس وقت الاستدلال لزيادة دقة استجابات النموذج، مثل رسم عينات منطقية متعددة من النموذج عند النشر. ولسد هذه الفجوة، قدم الباحثون في جامعة ويسكونسن ماديسون وجامعة ستانفورد قوانين قياس التدريب إلى الاختبار (T 2)، وهو إطار يعمل بشكل مشترك على تحسين حجم معلمة النموذج، وحجم بيانات التدريب، وعدد عينات الاستدلال في وقت الاختبار. من الناحية العملية، يثبت نهجهم أنه من الأمثل للحوسبة تدريب نماذج أصغر بكثير على بيانات أكثر بكثير مما تنص عليه القواعد التقليدية، ثم استخدام النفقات الحسابية المحفوظة لإنشاء عينات متكررة متعددة عند الاستدلال. بالنسبة لمطوري تطبيقات الذكاء الاصطناعي في المؤسسات الذين يقومون بتدريب نماذجهم الخاصة، يوفر هذا البحث مخططًا مثبتًا لزيادة عائد الاستثمار إلى الحد الأقصى. ويظهر أن استدلال الذكاء الاصطناعي لا يتطلب بالضرورة إنفاق مبالغ ضخمة على النماذج الرائدة. وبدلاً من ذلك، يمكن للنماذج الأصغر حجمًا أن تحقق أداءً أقوى في المهام المعقدة مع الحفاظ على إمكانية التحكم في تكاليف الاستدلال لكل استعلام ضمن ميزانيات النشر في العالم الحقيقي. قوانين القياس المتضاربة تعد قوانين القياس جزءًا مهمًا من تطوير نماذج لغوية كبيرة. تملي قوانين قياس التدريب المسبق أفضل طريقة لتخصيص الحوسبة أثناء إنشاء النموذج، بينما ترشد قوانين قياس وقت الاختبار كيفية تخصيص الحوسبة أثناء النشر، مثل السماح للنموذج \"بالتفكير لفترة أطول\" أو إنشاء عينات منطقية متعددة لحل المشكلات المعقدة. المشكلة هي أن قوانين القياس هذه قد تم تطويرها بشكل مستقل تمامًا عن بعضها البعض على الرغم من تشابكها بشكل أساسي. يحدد حجم معلمة النموذج ومدة التدريب بشكل مباشر كلاً من الجودة وتكلفة كل استعلام لعينات الاستدلال الخاصة به. في الوقت الحالي، المعيار الذهبي للتدريب المسبق في الصناعة هو قاعدة شينشيلا، والتي تقترح نسبة حسابية مثالية تبلغ حوالي 20 رمزًا تدريبيًا مميزًا لكل معلمة نموذج. ومع ذلك، فإن منشئي مجموعات نماذج الذكاء الاصطناعي الحديثة، مثل Llama وGemma وQwen، يخالفون هذه القاعدة بانتظام عن طريق الإفراط في تدريب نماذجهم الأصغر حجمًا على كميات هائلة من البيانات. وكما قال نيكولاس روبرتس، المؤلف المشارك في الورقة البحثية، لـ VentureBeat، فإن النهج التقليدي يتعثر عند بناء سير عمل وكيل معقد: \"من وجهة نظري، ينهار مكدس الاستدلال عندما يكون كل استدعاء استدلالي فردي مكلفًا. وهذا هو الحال عندما تكون النماذج كبيرة وتحتاج إلى القيام بالكثير من أخذ العينات المتكررة.\" بدلاً من الاعتماد على نماذج ضخمة، يمكن للمطورين استخدام نماذج مدمجة أكثر من اللازم لتشغيل هذه العينات المتكررة بجزء صغير من التكلفة. ولكن نظرًا لأنه يتم فحص قوانين التدريب وقياس وقت الاختبار بشكل منفصل، فلا يوجد إطار صارم لحساب مقدار التدريب الزائد على النموذج بناءً على عدد عينات الاستدلال التي سيحتاج إلى إنشاؤها أثناء النشر. وبالتالي، لم تكن هناك في السابق صيغة تعمل بشكل مشترك على تحسين حجم النموذج وحجم بيانات التدريب وميزانيات استدلال وقت الاختبار. السبب وراء صعوبة صياغة هذا الإطار هو أن التدريب المسبق وقياس وقت الاختبار يتحدثان لغتين رياضيتين مختلفتين. أثناء التدريب المسبق، يتم قياس أداء النموذج باستخدام \"الخسارة\"، وهو مقياس سلس ومستمر يتتبع أخطاء التنبؤ أثناء تعلم النموذج. في وقت الاختبار، يستخدم المطورون مقاييس واقعية لتقييم القدرات المنطقية للنموذج، مثل pass@k، الذي يقيس احتمالية أن ينتج النموذج إجابة واحدة صحيحة على الأقل عبر محاولات مستقلة ومتكررة. قوانين القياس من التدريب إلى الاختبار لحل الانفصال بين التدريب والنشر، قدم الباحثون قوانين القياس من التدريب إلى الاختبار (T 2). على مستوى عالٍ، يتنبأ هذا الإطار بأداء الاستدلال للنموذج من خلال معالجة ثلاثة متغيرات كمعادلة واحدة: حجم النموذج (N)، وحجم رموز التدريب التي يتعلمها (D)، وعدد عينات الاستدلال التي يولدها أثناء الاستدلال (k). يجمع T 2 بين ميزانيات التدريب المسبق والاستدلال في صيغة تحسين واحدة تمثل كلاً من التكلفة الأساسية لتدريب النموذج (6ND) والتكلفة المركبة للاستعلام عنه بشكل متكرر عند الاستدلال (2Nk). جرب الباحثون أساليب نمذجة مختلفة: سواء لنمذجة فقدان ما قبل التدريب أو أداء وقت الاختبار (pass@k) كوظائف N وD وk. يأخذ النهج الأول المعادلة الرياضية المألوفة المستخدمة في مقياس شينشيلا (الذي يحسب خطأ التنبؤ بالنموذج، أو خسارته)، ويعدلها مباشرة عن طريق إضافة متغير جديد يمثل عدد عينات وقت الاختبار المتكررة (k). يتيح ذلك للمطورين معرفة كيف أن زيادة حساب الاستدلال يؤدي إلى خفض معدل الخطأ الإجمالي للنموذج. النهج الثاني يصمم بشكل مباشر دقة pass@k النهائية. فهو يخبر المطورين باحتمالية أن يحل تطبيقهم مشكلة معينة في ضوء ميزانية حسابية محددة. ولكن هل يجب على الشركات استخدام هذا الإطار لكل تطبيق؟ يوضح روبرتس أن هذا النهج متخصص للغاية. وقال: \"أتصور أنك لن ترى فائدة كبيرة للتطبيقات كثيفة المعرفة، مثل نماذج الدردشة\". بدلاً من ذلك، \"تم تصميم T 2 للتطبيقات التي تتطلب تفكيرًا كثيفًا مثل البرمجة، حيث عادةً ما تستخدم أخذ العينات المتكررة كطريقة لقياس وقت الاختبار.\" ماذا يعني ذلك بالنسبة للمطورين للتحقق من صحة قوانين القياس T 2، قام الباحثون ببناء اختبار شامل لأكثر من 100 نموذج لغة، تتراوح من 5 ملايين إلى 901 مليون معلمة. لقد قاموا بتدريب 21 نقطة تفتيش جديدة شديدة التدريب من الصفر لاختبار ما إذا كانت توقعاتهم الرياضية تصمد في الواقع. ثم قاموا بقياس النماذج عبر ثماني مهام متنوعة، والتي تضمنت مجموعات بيانات من العالم الحقيقي مثل SciQ وOpenBookQA، إلى جانب المهام التركيبية المصممة لاختبار الحساب، والاستدلال المكاني، واسترجاع المعرفة. أثبت كلا النموذجين الرياضيين أن حدود الحوسبة الأمثل تتحول بشكل كبير بعيدًا عن مقياس شينشيلا القياسي. لتحقيق أقصى قدر من الأداء في ظل ميزانية ثابتة، فإن الاختيار الأمثل هو نموذج أصغر بكثير ومدرب على بيانات أكثر بكثير مما تمليه القاعدة التقليدية المكونة من 20 رمزًا لكل معلمة. في تجاربهم، تفوقت النماذج الصغيرة التي تم تدريبها بشكل كبير باستمرار على النماذج الأكبر حجمًا والمثالية لشينشيلا في جميع مهام التقييم الثمانية عندما تم أخذ تكاليف أخذ العينات في وقت الاختبار في الاعتبار. بالنسبة للمطورين الذين يتطلعون إلى نشر هذه النتائج، فإن الحاجز التقني منخفض بشكل مدهش. وقال روبرتس: \"ليس هناك حاجة لأي شيء خيالي لإجراء قياس وقت الاختبار باستخدام نماذجنا الحالية\". \"عند النشر، يمكن للمطورين دمج البنية التحتية بشكل كامل مما يجعل عملية أخذ العينات أكثر كفاءة (على سبيل المثال، التخزين المؤقت لـ KV إذا كنت تستخدم محولًا).\" يساعد التخزين المؤقت لـ KV من خلال تخزين السياق الذي تمت معالجته مسبقًا حتى لا يضطر النموذج إلى إعادة قراءة الموجه الأولي من البداية لكل نموذج تفكير جديد. ومع ذلك، فإن الإفراط في التدريب يأتي مع مقايضات عملية. في حين أن النماذج المفرطة في التدريب يمكن أن تكون عنيدة بشكل ملحوظ ويصعب ضبطها، يشير روبرتس إلى أنه عندما طبقوا الضبط الدقيق تحت الإشراف، \"بينما كان هذا التأثير موجودًا، لم يكن تأثيرًا قويًا بما يكفي لسحب النموذج الأمثل مرة أخرى إلى شينشيلا.\" تظل استراتيجية الحوسبة المثلى تميل بشكل قاطع نحو النماذج المدمجة. ومع ذلك، يجب على الفرق التي تدفع هذا إلى الحد الأقصى المطلق أن تكون حذرة من الوصول إلى حدود البيانات المادية. وقال روبرتس: \"هناك زاوية أخرى وهي أنه إذا أخذت توصياتنا بشأن الإفراط في التدريب إلى أقصى الحدود، فقد تنفد بيانات التدريب بالفعل\"، في إشارة إلى \"جدار البيانات\" الذي يلوح في الأفق حيث يتم استنفاد بيانات الإنترنت عالية الجودة. تؤكد هذه التجارب أنه إذا كان التطبيق يعتمد على إنشاء عينات استدلالية متعددة لوقت الاختبار، فإن التدريب الزائد على نموذج مدمج بقوة هو الطريقة الأكثر فعالية من الناحية العملية والرياضية لإنفاق ميزانية حسابية شاملة. ولمساعدة المطورين على البدء، يخطط فريق البحث لفتح نقاط التفتيش والتعليمات البرمجية الخاصة بهم قريبًا، مما يسمح للمؤسسات بتوصيل بياناتهم الخاصة واختبار سلوك التوسع على الفور. وفي نهاية المطاف، يعمل هذا الإطار كقوة معادلة في صناعة الذكاء الاصطناعي. يعد هذا أمرًا بالغ الأهمية بشكل خاص نظرًا لأن السعر المرتفع للنماذج الحدودية يمكن أن يصبح عائقًا أثناء توسيع نطاق التطبيقات الوكلاءية التي تعتمد على نماذج الاستدلال. ويخلص روبرتس إلى أن \"T 2 يغير بشكل أساسي من يمكنه بناء نماذج تفكير قوية\". \"قد لا تحتاج إلى ميزانيات حسابية ضخمة للحصول على أحدث الأسباب. بدلاً من ذلك، أنت بحاجة إلى بيانات جيدة وتخصيص ذكي لتدريبك واستدلالك ميزانية.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/most-enterprises-cant-stop-stage-three-ai-agent-threats-venturebeat-survey-finds",
            "title_en": "Most enterprises can't stop stage-three AI agent threats, VentureBeat survey finds",
            "summary_en": "A rogue AI agent at Meta passed every identity check and still exposed sensitive data to unauthorized employees in March. Two weeks later, Mercor , a $10 billion AI startup, confirmed a supply-chain breach through LiteLLM. Both are traced to the same structural gap. Monitoring without enforcement, enforcement without isolation. A VentureBeat three-wave survey of 108 qualified enterprises found that the gap is not an edge case. It is the most common security architecture in production today. Gravitee’s State of AI Agent Security 2026 survey of 919 executives and practitioners quantifies the disconnect. 82% of executives say their policies protect them from unauthorized agent actions. Eighty-eight percent reported AI agent security incidents in the last twelve months. Only 21% have runtime v",
            "body_en": "A rogue AI agent at Meta passed every identity check and still exposed sensitive data to unauthorized employees in March. Two weeks later, Mercor , a $10 billion AI startup, confirmed a supply-chain breach through LiteLLM. Both are traced to the same structural gap. Monitoring without enforcement, enforcement without isolation. A VentureBeat three-wave survey of 108 qualified enterprises found that the gap is not an edge case. It is the most common security architecture in production today. Gravitee’s State of AI Agent Security 2026 survey of 919 executives and practitioners quantifies the disconnect. 82% of executives say their policies protect them from unauthorized agent actions. Eighty-eight percent reported AI agent security incidents in the last twelve months. Only 21% have runtime visibility into what their agents are doing. Arkose Labs’ 2026 Agentic AI Security Report found 97% of enterprise security leaders expect a material AI-agent-driven incident within 12 months. Only 6% of security budgets address the risk. VentureBeat's survey results show that monitoring investment snapped back to 45% of security budgets in March after dropping to 24% in February, when early movers shifted dollars into runtime enforcement and sandboxing. The March wave (n=20) is directional, but the pattern is consistent with February’s larger sample (n=50): enterprises are stuck at observation while their agents already need isolation. CrowdStrike’s Falcon sensors detect more than 1,800 distinct AI applications across enterprise endpoints. The fastest recorded adversary breakout time has dropped to 27 seconds . Monitoring dashboards built for human-speed workflows cannot keep pace with machine-speed threats. The audit that follows maps three stages. Stage one is observe. Stage two is enforce, where IAM integration and cross-provider controls turn observation into action. Stage three is isolate, sandboxed execution that bounds blast radius when guardrails fail. VentureBeat Pulse data from 108 qualified enterprises ties each stage to an investment signal, an OWASP ASI threat vector, a regulatory surface, and immediate steps security leaders can take. The threat surface stage-one security cannot see The OWASP Top 10 for Agentic Applications 2026 formalized the attack surface last December. The ten risks are: goal hijack (ASI01), tool misuse (ASI02), identity and privilege abuse (ASI03), agentic supply chain vulnerabilities (ASI04), unexpected code execution (ASI05), memory poisoning (ASI06), insecure inter-agent communication (ASI07), cascading failures (ASI08), human-agent trust exploitation (ASI09), and rogue agents (ASI10). Most have no analog in traditional LLM applications. The audit below maps six of these to the stages where they are most likely to surface and the controls that address them. Invariant Labs disclosed the MCP Tool Poisoning Attack in April 2025: malicious instructions in an MCP server’s tool description cause an agent to exfiltrate files or hijack a trusted server. CyberArk extended it to Full-Schema Poisoning . The mcp-remote OAuth proxy patched CVE-2025-6514 after a command-injection flaw put 437,000 downloads at risk. Merritt Baer, CSO at Enkrypt AI and former AWS Deputy CISO, framed the gap in an exclusive VentureBeat interview: “Enterprises believe they’ve ‘approved’ AI vendors, but what they’ve actually approved is an interface, not the underlying system. The real dependencies are one or two layers deeper, and those are the ones that fail under stress.” CrowdStrike CTO Elia Zaitsev put the visibility problem in operational terms in an exclusive VentureBeat interview at RSAC 2026 : “It looks indistinguishable if an agent runs your web browser versus if you run your browser.” Distinguishing the two requires walking the process tree, tracing whether Chrome was launched by a human from the desktop or spawned by an agent in the background. Most enterprise logging configurations cannot make that distinction. The regulatory clock and the identity architecture Auditability priority tells the same story in miniature. In January, 50% of respondents ranked it a top concern. By February, that dropped to 28% as teams sprinted to deploy. In March, it surged to 65% when those same teams realized they had no forensic trail for what their agents did. HIPAA’s 2026 Tier 4 willful-neglect maximum is $2.19M per violation category per year . In healthcare, Gravitee’s survey found 92.7% of organizations reported AI agent security incidents versus the 88% all-industry average. For a health system running agents that touch PHI, that ratio is the difference between a reportable breach and an uncontested finding of willful neglect. FINRA’s 2026 Oversight Report recommends explicit human checkpoints before agents that can act or transact execute, along with narrow scope, granular permissions, and complete audit trails of agent actions. Mike Riemer, Field CISO at Ivanti, quantified the speed problem in a recent VentureBeat interview: “Threat actors are reverse engineering patches within 72 hours. If a customer doesn’t patch within 72 hours of release, they’re open to exploit.” Most enterprises take weeks. Agents operating at machine speed widen that window into a permanent exposure. The identity problem is architectural. Gravitee's survey of 919 practitioners found only 21.9% of teams treat agents as identity-bearing entities, 45.6% still use shared API keys, and 25.5% of deployed agents can create and task other agents. A quarter of enterprises can spawn agents that their security team never provisioned. That is ASI08 as architecture. Guardrails alone are not a strategy A 2025 paper by Kazdan and colleagues (Stanford, ServiceNow Research, Toronto, FAR AI) showed a fine-tuning attack that bypasses model-level guardrails in 72% of attempts against Claude 3 Haiku and 57% against GPT-4o. The attack received a $2,000 bug bounty from OpenAI and was acknowledged as a vulnerability by Anthropic. Guardrails constrain what an agent is told to do, not what a compromised agent can reach. CISOs already know this. In VentureBeat's three-wave survey, prevention of unauthorized actions ranked as the top capability priority in every wave at 68% to 72%, the most stable high-conviction signal in the dataset. The demand is for permissioning, not prompting. Guardrails address the wrong control surface. Zaitsev framed the identity shift at RSAC 2026: “AI agents and non-human identities will explode across the enterprise, expanding exponentially and dwarfing human identities. Each agent will operate as a privileged super-human with OAuth tokens, API keys, and continuous access to previously siloed data sets.” Identity security built for humans will not survive this shift. Cisco President Jeetu Patel offered the operational analogy in an exclusive VentureBeat interview: agents behave “more like teenagers, supremely intelligent, but with no fear of consequence.” VentureBeat Prescriptive Matrix: AI Agent Security Maturity Audit Stage Attack Scenario What Breaks Detection Test Blast Radius Recommended Control 1: Observe Attacker embeds goal-hijack payload in forwarded email (ASI01). Agent summarizes email and silently exfiltrates credentials to an external endpoint. See: Meta March 2026 incident. No runtime log captures the exfiltration. SIEM never sees the API call. The security team learns from the victim. Zaitsev: agent activity is “indistinguishable” from human activity in default logging. Inject a canary token into a test document. Route it through your agent. If the token leaves your network, stage one failed. Single agent, single session. With shared API keys (45.6% of enterprises): unlimited lateral movement. Deploy agent API call logging to SIEM. Baseline normal tool-call patterns per agent role. Alert on the first outbound call to an unrecognized endpoint. 2: Enforce Compromised MCP server poisons tool description (ASI04). Agent invokes poisoned tool, writes attacker payload to production DB using inherited service-account credentials. See: Mercor\/LiteLLM April 2026 supply-chain breach. IAM allows write because agent uses shared service account. No approval gate on write ops. Poisoned tool indistinguishable from clean tool in logs. Riemer: “72-hour patch window” collapses to zero when agents auto-invoke. Register a test MCP server with a benign-looking poisoned description. Confirm your policy engine blocks the tool call before execution reaches the database. Run mcp-scan on all registered servers. Production database integrity. If agent holds DBA-level credentials: full schema compromise. Lateral movement via trust relationships to downstream agents. Assign scoped identity per agent. Require approval workflow for all write ops. Revoke every shared API key. Run mcp-scan on all MCP servers weekly. 3: Isolate Agent A spawns Agent B to handle subtask (ASI08). Agent B inherits Agent A’s permissions, escalates to admin, rewrites org security policy. Every identity check passes. Source: CrowdStrike CEO George Kurtz, RSAC 2026 keynote. No sandbox boundary between agents. No human gate on agent-to-agent delegation. Security policy modification is a valid action for admin-credentialed process. CrowdStrike CEO George Kurtz disclosed at RSAC 2026 that the agent “wanted to fix a problem, lacked permissions, and removed the restriction itself.” Spawn a child agent from a sandboxed parent. Child should inherit zero permissions by default and require explicit human approval for each capability grant. Organizational security posture. A rogue policy rewrite disables controls for every subsequent agent. 97% of enterprise leaders expect a material incident within 12 months (Arkose Labs 2026). Sandbox all agent execution. Zero-trust for agent-to-agent delegation: spawned agents inherit nothing. Human sign-off before any agent modifies security controls. Kill switch per OWASP ASI10. Sources: OWASP Top 10 for Agentic Applications 2026; Invariant Labs MCP Tool Poisoning (April 2025); CrowdStrike RSAC 2026 Fortune 50 disclosure; Meta March 2026 incident (The Information\/Engadget); Mercor\/LiteLLM breach (Fortune, April 2, 2026); Arkose Labs 2026 Agentic AI Security Report; VentureBeat Pulse Q1 2026. The stage-one attack scenario in this matrix is not hypothetical. Unauthorized tool or data access ranked as the most feared failure mode in every wave of VentureBeat’s survey, growing from 42% in January to 50% in March. That trajectory and the 70%-plus priority rating for prevention of unauthorized actions are the two most mutually reinforcing signals in the entire dataset. CISOs fear the exact attack this matrix describes, and most have not deployed the controls to stop it. Hyperscaler stage readiness: observe, enforce, isolate The maturity audit tells you where your security program stands. The next question is whether your cloud platform can get you to stage two and stage three, or whether you are building those capabilities yourself. Patel put it bluntly: “It’s not just about authenticating once and then letting the agent run wild.” A stage-three platform running a stage-one deployment pattern gives you stage-one risk. VentureBeat Pulse data surfaces a structural tension in this grid. OpenAI leads enterprise AI security deployments at 21% to 26% across the three survey waves, making the same provider that creates the AI risk also the primary security layer. The provider-as-security-vendor pattern holds across Azure, Google, and AWS. Zero-incremental-procurement convenience is winning by default. Whether that concentration is a feature or a single point of failure depends on how far the enterprise has progressed past stage one. Provider Identity Primitive (Stage 2) Enforcement Control (Stage 2) Isolation Primitive (Stage 3) Gap as of April 2026 Microsoft Azure Entra ID agent scoping. Agent 365 maps agents to owners. GA. Copilot Studio DLP policies. Purview for agent output classification. GA. Azure Confidential Containers for agent workloads. Preview. No per-agent sandbox at GA. No agent-to-agent identity verification. No MCP governance layer. Agent 365 monitors but cannot block in-flight tool calls. Anthropic Managed Agents: per-agent scoped permissions, credential mgmt. Beta (April 8, 2026). $0.08\/session-hour. Tool-use permissions, system prompt enforcement, and built-in guardrails. GA. Managed Agents sandbox: isolated containers per session, execution-chain auditability. Beta. Allianz, Asana, Rakuten, and Sentry are in production. Beta pricing\/SLA not public. Session data in Anthropic-managed DB (lock-in risk per VentureBeat research). GA timing TBD. Google Cloud Vertex AI service accounts for model endpoints. IAM Conditions for agent traffic. GA. VPC Service Controls for agent network boundaries. Model Armor for prompt\/response filtering. GA. Confidential VMs for agent workloads. GA. Agent-specific sandbox in preview. Agent identity ships as a service account, not an agent-native principal. No agent-to-agent delegation audit. Model Armor does not inspect tool-call payloads. OpenAI Assistants API: function-call permissions, structured outputs. Agents SDK. GA. Agents SDK guardrails, input\/output validation. GA. Agents SDK Python sandbox. Beta (API and defaults subject to change before GA per OpenAI docs). TypeScript sandbox confirmed, not shipped. No cross-provider identity federation. Agent memory forensics limited to session scope. No kill switch API. No MCP tool-description inspection. AWS Bedrock model invocation logging. IAM policies for model access. CloudTrail for agent API calls. GA. Bedrock Guardrails for content filtering. Lambda resource policies for agent functions. GA. Lambda isolation per agent function. GA. Bedrock agent-level sandboxing on roadmap, not shipped. No unified agent control plane across Bedrock + SageMaker + Lambda. No agent identity standard. Guardrails do not inspect MCP tool descriptions. Status as of April 15, 2026. GA = generally available. Preview\/Beta = not production-hardened. “What’s Missing” column reflects VentureBeat’s analysis of publicly documented capabilities; gaps may narrow as vendors ship updates. No provider in this grid ships a complete stage-three stack today. Most enterprises assemble isolation from existing cloud building blocks. That is a defensible choice if it is a deliberate one. Waiting for a vendor to close the gap without acknowledging the gap is not a strategy. The grid above covers hyperscaler-native SDKs. A large segment of AI builders deploys through open-source orchestration frameworks like LangChain, CrewAI, and LlamaIndex that bypass hyperscaler IAM entirely. These frameworks lack native stage-two primitives. There is no scoped agent identity, no tool-call approval workflow, and no built-in audit trails. Enterprises running agents through open-source orchestration need to layer enforcement and isolation on top, not assume the framework provides it. VentureBeat’s survey quantifies the pressure. Policy enforcement consistency grew from 39.5% to 46% between January and February, the largest consistent gain of any capability criterion. Enterprises running agents across OpenAI, Anthropic, and Azure need enforcement that works the same way regardless of which model executes the task. Provider-native controls enforce policy within that provider’s runtime only. Open-source orchestration frameworks enforce it nowhere. One counterargument deserves acknowledgment: not every agent deployment needs stage three. A read-only summarization agent with no tool access and no write permissions may rationally stop at stage one. The sequencing failure this audit addresses is not that monitoring exists. It is that enterprises running agents with write access, shared credentials, and agent-to-agent delegation are treating monitoring as sufficient. For those deployments, stage one is not a strategy. It is a gap. Allianz shows stage-three in production Allianz, one of the world’s largest insurance and asset management companies, is running Claude Managed Agents across insurance workflows, with Claude Code deployed to technical teams and a dedicated AI logging system for regulatory transparency, per Anthropic’s April 8 announcement . Asana, Rakuten, Sentry, and Notion are in production on the same beta. Stage-three isolation, per-agent permissioning, and execution-chain auditability are deployable now, not roadmap. The gating question is whether the enterprise has sequenced the work to use them. The 90-day remediation sequence Days 1–30: Inventory and baseline. Map every agent to a named owner. Log all tool calls. Revoke shared API keys. Deploy read-only monitoring across all agent API traffic. Run mcp-scan against every registered MCP server. CrowdStrike detects 1,800 AI applications across enterprise endpoints; your inventory should be equally comprehensive. Output: agent registry with permission matrix, MCP scan report. Days 31–60: Enforce and scope. Assign scoped identities to every agent. Deploy tool-call approval workflows for write operations. Integrate agent activity logs into existing SIEM. Run a tabletop exercise: What happens when an agent spawns an agent? Conduct a canary-token test from the prescriptive matrix. Output: IAM policy set, approval workflow, SIEM integration, canary-token test results. Days 61–90: Isolate and test. Sandbox high-risk agent workloads (PHI, PII, financial transactions). Enforce per-session least privilege. Require human sign-off for agent-to-agent delegation. Red-team the isolation boundary using the stage-three detection test from the matrix. Output: sandboxed execution environment, red-team report, board-ready risk summary with regulatory exposure mapped to HIPAA tier and FINRA guidance. What changes in the next 30 days EU AI Act Article 14 human-oversight obligations take effect August 2, 2026. Programs without named owners and execution trace capability face enforcement, not operational risk. Anthropic’s Claude Managed Agents is in public beta at $0.08 per session-hour. GA timing, production SLAs, and final pricing have not been announced. OpenAI Agents SDK ships TypeScript support for sandbox and harness capabilities in a future release, per the company’s April 15 announcement. Stage-three sandbox becomes available to JavaScript agent stacks when it ships. What the sequence requires McKinsey’s 2026 AI Trust Maturity Survey pegs the average enterprise at 2.3 out of 4.0 on its RAI maturity model, up from 2.0 in 2025 but still an enforcement-stage number; only one-third of the ~500 organizations surveyed report maturity levels of three or higher in governance. Seventy percent have not finished the transition to stage three. ARMO’s progressive enforcement methodology gives you the path: behavioral profiles in observation, permission baselines in selective enforcement, and full least privilege once baselines stabilize. Monitoring investment was not wasted. It was stage one of three. The organizations stuck in the data treated it as the destination. The budget data makes the constraint explicit. The share of enterprises reporting flat AI security budgets doubled from 7.9% in January to 16% in February in VentureBeat's survey, with the March directional reading at 20%. Organizations expanding agent deployments without increasing security investment are accumulating security debt at machine speed. Meanwhile, the share reporting no agent security tooling at all fell from 13% in January to 5% in March. Progress, but one in twenty enterprises running agents in production still has zero dedicated security infrastructure around them. About this research Total qualified respondents: 108. VentureBeat Pulse AI Security and Trust is a three-wave VentureBeat survey run January 6 through March 15, 2026. Qualified sample (organizations 100+ employees): January n=38, February n=50, March n=20. Primary analysis runs from January to February; March is directional. Industry mix: Tech\/Software 52.8%, Financial Services 10.2%, Healthcare 8.3%, Education 6.5%, Telecom\/Media 4.6%, Manufacturing 4.6%, Retail 3.7%, other 9.3%. Seniority: VP\/Director 34.3%, Manager 29.6%, IC 22.2%, C-Suite 9.3%.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/2oq4gxUSORHuJY6GKHVxQ1\/1ff08d293fe4d0c43df9f5c7a1893344\/hero_survey.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/most-enterprises-cant-stop-stage-three-ai-agent-threats-venturebeat-survey-finds",
            "date": "2026-04-17",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "وجد استطلاع VentureBeat أن معظم الشركات لا تستطيع إيقاف تهديدات عملاء الذكاء الاصطناعي في المرحلة الثالثة",
            "summary_ar": "نجح أحد عملاء الذكاء الاصطناعي المارق في شركة Meta في اجتياز كل عمليات التحقق من الهوية وما زال يكشف البيانات الحساسة لموظفين غير مصرح لهم في شهر مارس. وبعد أسبوعين، أكدت شركة Mercor، وهي شركة ناشئة تعمل في مجال الذكاء الاصطناعي بقيمة 10 مليارات دولار، حدوث اختراق لسلسلة التوريد من خلال LiteLLM. وكلاهما يتتبعان إلى نفس الفجوة الهيكلية. مراقبة دون إنفاذ، وإنفاذ دون عزل. توصلت دراسة استقصائية أجرتها شركة VentureBeat على ثلاث موجات لـ 108 مؤسسة مؤهلة إلى أن الفجوة ليست حالة هامشية. إنها بنية الأمان الأكثر شيوعًا في الإنتاج اليوم. يقوم استطلاع Gravitee’s State of AI Agent Security 2026 الذي شمل 919 من المديرين التنفيذيين والممارسين بتحديد مقدار الانفصال. يقول 82% من المديرين التنفيذيين إن سياساتهم تحميهم من تصرفات الوكلاء غير المصرح لهم. أبلغ ثمانية وثمانون بالمائة عن حوادث أمنية لعملاء الذكاء الاصطناعي في الأشهر الاثني عشر الماضية. 21٪ فقط لديهم وقت تشغيل",
            "body_ar": "نجح أحد عملاء الذكاء الاصطناعي المارق في شركة Meta في اجتياز كل عمليات التحقق من الهوية وما زال يكشف البيانات الحساسة لموظفين غير مصرح لهم في شهر مارس. وبعد أسبوعين، أكدت شركة Mercor، وهي شركة ناشئة تعمل في مجال الذكاء الاصطناعي بقيمة 10 مليارات دولار، حدوث اختراق لسلسلة التوريد من خلال LiteLLM. وكلاهما يتتبعان إلى نفس الفجوة الهيكلية. مراقبة دون إنفاذ، وإنفاذ دون عزل. توصلت دراسة استقصائية أجرتها شركة VentureBeat على ثلاث موجات لـ 108 مؤسسة مؤهلة إلى أن الفجوة ليست حالة هامشية. إنها بنية الأمان الأكثر شيوعًا في الإنتاج اليوم. يقوم استطلاع Gravitee’s State of AI Agent Security 2026 الذي شمل 919 من المديرين التنفيذيين والممارسين بتحديد مقدار الانفصال. يقول 82% من المديرين التنفيذيين إن سياساتهم تحميهم من تصرفات الوكلاء غير المصرح لهم. أبلغ ثمانية وثمانون بالمائة عن حوادث أمنية لعملاء الذكاء الاصطناعي في الأشهر الاثني عشر الماضية. 21% فقط لديهم رؤية وقت التشغيل لما يفعله وكلاؤهم. وجد تقرير Arkose Labs لأمن الذكاء الاصطناعي لعام 2026 أن 97% من قادة أمن المؤسسات يتوقعون وقوع حادث مادي يحركه وكيل الذكاء الاصطناعي في غضون 12 شهرًا. 6% فقط من الميزانيات الأمنية تعالج هذه المخاطر. تظهر نتائج استطلاع VentureBeat أن مراقبة الاستثمار عادت إلى 45% من الميزانيات الأمنية في مارس بعد انخفاضها إلى 24% في فبراير، عندما قام المحركون الأوائل بتحويل الأموال إلى إنفاذ وقت التشغيل ووضع الحماية. تعتبر موجة مارس (العدد = 20) اتجاهية، ولكن النمط يتوافق مع العينة الأكبر لشهر فبراير (العدد = 50): فالمؤسسات عالقة في المراقبة بينما يحتاج وكلاؤها بالفعل إلى العزلة. تكتشف مستشعرات Falcon من CrowdStrike أكثر من 1800 تطبيق ذكاء اصطناعي متميز عبر نقاط نهاية المؤسسة. انخفض أسرع وقت مسجل لاختراق الخصم إلى 27 ثانية. لا يمكن للوحات مراقبة المراقبة المصممة لسير العمل بسرعة الإنسان مواكبة تهديدات سرعة الماكينة. التدقيق الذي يتبع الخرائط ثلاث مراحل. يتم ملاحظة المرحلة الأولى. المرحلة الثانية هي التنفيذ، حيث يقوم تكامل IAM وعناصر التحكم عبر الموفرين بتحويل المراقبة إلى إجراء. المرحلة الثالثة هي التنفيذ المعزول في وضع الحماية الذي يحد من نصف قطر الانفجار عند فشل حواجز الحماية. تربط بيانات VentureBeat Pulse الواردة من 108 مؤسسة مؤهلة كل مرحلة بإشارة استثمار، وناقل تهديد OWASP ASI، وسطح تنظيمي، وخطوات فورية يمكن لقادة الأمن اتخاذها. التهديد السطحي - المرحلة الأولى من الأمن لا يمكن رؤيته. قامت OWASP Top 10 لتطبيقات Agentic Applications 2026 بإضفاء الطابع الرسمي على سطح الهجوم في ديسمبر الماضي. المخاطر العشرة هي: اختطاف الهدف (ASI01)، وإساءة استخدام الأداة (ASI02)، وإساءة استخدام الهوية والامتيازات (ASI03)، ونقاط الضعف في سلسلة التوريد الوكيل (ASI04)، والتنفيذ غير المتوقع للتعليمات البرمجية (ASI05)، وتسميم الذاكرة (ASI06)، والتواصل غير الآمن بين الوكلاء (ASI07)، والفشل المتتالي (ASI08)، واستغلال ثقة الوكيل البشري (ASI09)، والوكلاء المارقين (ASI10). معظمهم ليس لديهم تمثيلية في تطبيقات LLM التقليدية. يقوم التدقيق أدناه بتعيين ستة من هذه المراحل للمراحل التي من المرجح أن تظهر فيها والضوابط التي تعالجها. كشفت Invariant Labs عن هجوم تسمم أداة MCP في أبريل 2025: تتسبب التعليمات الضارة في وصف أداة خادم MCP في قيام الوكيل بتصفية الملفات أو اختطاف خادم موثوق به. قام CyberArk بتوسيع نطاقه ليشمل التسمم الكامل للمخطط. قام وكيل mcp-remote OAuth بتصحيح CVE-2025-6514 بعد ثغرة في حقن الأوامر مما أدى إلى تعرض 437000 عملية تنزيل للخطر. قام ميريت باير، كبير مسؤولي تكنولوجيا المعلومات في Enkrypt AI ونائب رئيس قسم تكنولوجيا المعلومات السابق في AWS، بتوضيح الفجوة في مقابلة حصرية مع VentureBeat: \"تعتقد الشركات أنها وافقت على بائعي الذكاء الاصطناعي، ولكن ما وافقت عليه بالفعل هو الواجهة، وليس النظام الأساسي. إن التبعيات الحقيقية أعمق بطبقة أو طبقتين، وهي تلك التي تفشل تحت الضغط. طرح إيليا زايتسيف، كبير مسؤولي التكنولوجيا في CrowdStrike، مشكلة الرؤية من الناحية التشغيلية في مقابلة حصرية مع VentureBeat في RSAC 2026: \"يبدو أنه لا يمكن تمييزه إذا قام الوكيل بتشغيل متصفح الويب الخاص بك مقابل تشغيل المتصفح الخاص بك.\" يتطلب التمييز بين الاثنين السير في شجرة العملية، وتتبع ما إذا كان Chrome قد تم تشغيله بواسطة إنسان من سطح المكتب أو تم تشغيله بواسطة وكيل في الخلفية. لا تستطيع معظم تكوينات تسجيل الدخول الخاصة بالمؤسسات إجراء هذا التمييز. الساعة التنظيمية وبنية الهوية وأولوية إمكانية التدقيق تحكي نفس القصة بشكل مصغر. وفي شهر يناير، صنفها 50% من المشاركين في الاستطلاع على أنها مصدر قلق كبير. وبحلول شهر فبراير، انخفضت هذه النسبة إلى 28% مع تسارع الفرق للانتشار. وفي شهر مارس، ارتفعت النسبة إلى 65% عندما أدركت تلك الفرق نفسها أنه ليس لديها أي دليل جنائي لما فعله عملاؤها. الحد الأقصى للإهمال المتعمد من المستوى 4 لعام 2026 الخاص بـ HIPAA هو 2.19 مليون دولار لكل فئة انتهاك سنويًا. في مجال الرعاية الصحية، وجد استطلاع Gravitee أن 92.7% من المؤسسات أبلغت عن حوادث أمنية لوكلاء الذكاء الاصطناعي مقابل 88% في المتوسط ​​في جميع الصناعات. بالنسبة إلى وكلاء النظام الصحي الذين يتعاملون مع PHI، فإن هذه النسبة هي الفرق بين الانتهاك الذي يمكن الإبلاغ عنه والنتيجة التي لا جدال فيها بشأن الإهمال المتعمد. يوصي تقرير الرقابة لعام 2026 الصادر عن FINRA بنقاط تفتيش بشرية واضحة قبل الوكلاء الذين يمكنهم التصرف أو تنفيذ المعاملات، إلى جانب النطاق الضيق والأذونات الدقيقة ومسارات التدقيق الكاملة لإجراءات الوكيل. قام مايك ريمر، كبير مسؤولي أمن المعلومات الميداني في شركة Ivanti، بقياس مشكلة السرعة في مقابلة أجراها مؤخرًا مع VentureBeat: \"الجهات الفاعلة في مجال التهديد عبارة عن تصحيحات هندسية عكسية في غضون 72 ساعة. إذا لم يقم العميل بتصحيح التصحيح خلال 72 ساعة من الإصدار، فسيكون عرضة للاستغلال.\" تستغرق معظم الشركات أسابيع. يقوم العملاء الذين يعملون بسرعة الآلة بتوسيع تلك النافذة إلى تعرض دائم. مشكلة الهوية معمارية. وجد استطلاع Gravitee الذي شمل 919 ممارسًا أن 21.9% فقط من الفرق تتعامل مع الوكلاء ككيانات تحمل الهوية، ولا يزال 45.6% يستخدمون مفاتيح واجهة برمجة التطبيقات المشتركة، ويمكن لـ 25.5% من الوكلاء المنتشرين إنشاء وكلاء آخرين ومهامهم. يمكن لربع المؤسسات إنتاج وكلاء لم يوفرهم فريقهم الأمني ​​مطلقًا. هذا هو ASI08 كهندسة معمارية. حواجز الحماية وحدها ليست استراتيجية أظهرت دراسة أجراها كازدان وزملاؤه عام 2025 (ستانفورد، سيرفيس ناو ريسيرش، تورونتو، FAR AI) هجومًا دقيقًا يتجاوز حواجز الحماية على مستوى النموذج في 72٪ من المحاولات ضد كلود 3 هايكو و57٪ ضد GPT-4o. حصل الهجوم على مكافأة بقيمة 2000 دولار أمريكي من OpenAI وتم الاعتراف به باعتباره ثغرة أمنية من قبل Anthropic. تقيد حواجز الحماية ما يُطلب من الوكيل القيام به، وليس ما يمكن أن يصل إليه الوكيل المخترق. ورؤساء أمن المعلومات يعرفون هذا بالفعل. في استطلاع VentureBeat ثلاثي الموجات، تم تصنيف منع الإجراءات غير المصرح بها كأولوية قصوى للقدرة في كل موجة بنسبة 68% إلى 72%، وهي إشارة الإقناع العالي الأكثر استقرارًا في مجموعة البيانات. فالطلب هو الإذن وليس المطالبة. تعالج حواجز الحماية سطح التحكم الخاطئ. صاغ زايتسيف تحول الهوية في RSAC 2026: \"سوف ينفجر عملاء الذكاء الاصطناعي والهويات غير البشرية في جميع أنحاء المؤسسة، مما يؤدي إلى التوسع بشكل كبير وتقزيم الهويات البشرية. سيعمل كل وكيل كإنسان خارق متميز باستخدام رموز OAuth ومفاتيح واجهة برمجة التطبيقات (API) والوصول المستمر إلى مجموعات البيانات التي تم عزلها مسبقًا. إن أمن الهوية المصمم للبشر لن ينجو من هذا التحول. عرض رئيس شركة سيسكو، جيتو باتيل، هذا التشبيه العملي في مقابلة حصرية مع VentureBeat: يتصرف الوكلاء \"أشبه بالمراهقين، أذكياء للغاية، ولكن دون خوف من العواقب\". مصفوفة VentureBeat الإرشادية: تدقيق نضج أمان وكيل الذكاء الاصطناعي، سيناريو الهجوم المرحلي، ما يعطل اختبار الكشف، نصف قطر الانفجار، التحكم الموصى به 1: يقوم المهاجم الملاحظ بتضمين حمولة اختطاف الهدف في البريد الإلكتروني المُعاد توجيهه (ASI01). يقوم الوكيل بتلخيص البريد الإلكتروني وإخراج بيانات الاعتماد بصمت إلى نقطة نهاية خارجية. انظر: حادثة ميتا مارس 2026. لا يوجد سجل وقت تشغيل يلتقط عملية الترشيح. لا يرى SIEM استدعاء API مطلقًا. فريق الأمن يتعلم من الضحية. زايتسيف: نشاط الوكيل \"لا يمكن تمييزه\" عن النشاط البشري في التسجيل الافتراضي. أدخل رمز كناري في مستند اختبار. قم بتوجيهها عبر الوكيل الخاص بك. إذا غادر الرمز المميز شبكتك، فستفشل المرحلة الأولى. وكيل واحد، جلسة واحدة. مع مفاتيح API المشتركة (45.6% من المؤسسات): حركة جانبية غير محدودة. نشر تسجيل مكالمات واجهة برمجة التطبيقات للوكيل إلى SIEM. أنماط استدعاء الأدوات العادية الأساسية لكل دور وكيل. تنبيه عند أول مكالمة صادرة إلى نقطة نهاية غير معروفة. 2: فرض وصف أداة تسميم خادم MCP المخترق (ASI04). يستدعي الوكيل أداة مسمومة، ويكتب حمولة المهاجم إلى قاعدة بيانات الإنتاج باستخدام بيانات اعتماد حساب الخدمة الموروثة. راجع: Mercor\/LiteLLM في أبريل 2026، خرق سلسلة التوريد. يسمح IAM بالكتابة لأن الوكيل يستخدم حساب خدمة مشترك. لا توجد بوابة موافقة على عمليات الكتابة. أداة مسمومة لا يمكن تمييزها عن الأداة النظيفة في السجلات. ريمر: تنهار \"نافذة التصحيح لمدة 72 ساعة\" إلى الصفر عند استدعاء العملاء تلقائيًا. قم بتسجيل خادم اختبار MCP بوصف مسموم حميد المظهر. تأكد من أن محرك السياسة الخاص بك يحظر استدعاء الأداة قبل أن يصل التنفيذ إلى قاعدة البيانات. قم بتشغيل mcp-scan على جميع الخوادم المسجلة. سلامة قاعدة بيانات الإنتاج. إذا كان الوكيل يحمل بيانات اعتماد على مستوى DBA: تسوية المخطط بالكامل. الحركة الجانبية عبر علاقات الثقة مع وكلاء المصب. تعيين هوية محددة لكل وكيل. يتطلب سير عمل الموافقة لجميع عمليات الكتابة. قم بإلغاء كل مفتاح API مشترك. قم بتشغيل mcp-scan على جميع خوادم MCP أسبوعيًا. 3: يؤدي عزل العامل \"أ\" إلى ظهور العميل \"ب\" للتعامل مع المهمة الفرعية (ASI08). يرث الوكيل \"ب\" أذونات الوكيل \"أ\"، ويتصاعد إلى المسؤول، ويعيد كتابة سياسة أمان المؤسسة. كل فحص الهوية يمر. المصدر: الرئيس التنفيذي لشركة CrowdStrike جورج كورتز، الكلمة الرئيسية لـ RSAC 2026. لا توجد حدود رمل بين الوكلاء. لا توجد بوابة بشرية على تفويض وكيل إلى وكيل. يعد تعديل سياسة الأمان إجراءً صالحًا لعملية اعتماد المسؤول. كشف الرئيس التنفيذي لشركة CrowdStrike، جورج كورتز، في RSAC 2026 أن الوكيل \"أراد إصلاح مشكلة، وكان يفتقر إلى الأذونات، وقام بإزالة التقييد بنفسه\". إنتاج وكيل فرعي من أحد الوالدين في وضع الحماية. يجب أن يرث الطفل صفر أذونات بشكل افتراضي ويتطلب موافقة بشرية صريحة لكل منحة قدرة. الوضع الأمني ​​التنظيمي. تؤدي إعادة كتابة السياسة المارقة إلى تعطيل عناصر التحكم لكل وكيل لاحق. يتوقع 97% من قادة المؤسسات وقوع حادث مادي خلال 12 شهرًا (Arkose Labs 2026). تنفيذ Sandbox لجميع الوكلاء. الثقة المعدومة للتفويض من وكيل إلى وكيل: لا يرث الوكلاء الناشئون شيئًا. تسجيل الخروج البشري قبل أن يقوم أي وكيل بتعديل الضوابط الأمنية. مفتاح الإيقاف لكل OWASP ASI10. المصادر: OWASP Top 10 للتطبيقات الوكيلة 2026؛ التسمم بأدوات Invariant Labs MCP (أبريل 2025)؛ الكشف عن CrowdStrike RSAC 2026 Fortune 50؛ حادثة ميتا مارس 2026 (المعلومات\/إنغادجيت)؛ واختراق Mercor\/LiteLLM (فورتشن، 2 أبريل 2026)؛ تقرير Arkose Labs 2026 لأمن الذكاء الاصطناعي؛ VentureBeat Pulse Q1 2026. سيناريو هجوم المرحلة الأولى في هذه المصفوفة ليس افتراضيًا. تم تصنيف الأداة غير المصرح بها أو الوصول إلى البيانات على أنها أكثر حالات الفشل المخيفة في كل موجة من استطلاع VentureBeat، حيث ارتفعت النسبة من 42% في يناير إلى 50% في مارس. ويعد هذا المسار وتصنيف الأولوية الذي يزيد عن 70% لمنع الأعمال غير المصرح بها أكثر إشارتين يعزز كل منهما الآخر في مجموعة البيانات بأكملها. يخشى كبار مسؤولي تكنولوجيا المعلومات الهجوم الدقيق الذي تصفه هذه المصفوفة، ولم يقم معظمهم بنشر الضوابط لوقفه. جاهزية مرحلة Hyperscaler: المراقبة والتنفيذ والعزل. يخبرك تدقيق النضج بمكانة برنامج الأمان الخاص بك. والسؤال التالي هو ما إذا كان النظام الأساسي السحابي الخاص بك يمكنه أن ينقلك إلى المرحلة الثانية والمرحلة الثالثة، أو ما إذا كنت تقوم ببناء هذه القدرات بنفسك. قال باتيل بصراحة: \"الأمر لا يتعلق فقط بالمصادقة مرة واحدة ثم السماح للعميل بالتصرف بشكل جامح\". تمنحك منصة المرحلة الثالثة التي تعمل بنمط نشر المرحلة الأولى مخاطر المرحلة الأولى. تظهر بيانات VentureBeat Pulse توترًا هيكليًا في هذه الشبكة. تتصدر OpenAI عمليات نشر أمان الذكاء الاصطناعي للمؤسسات بنسبة 21% إلى 26% عبر موجات الاستطلاع الثلاث، مما يجعل نفس المزود الذي يخلق مخاطر الذكاء الاصطناعي هو أيضًا طبقة الأمان الأساسية. ينطبق نمط الموفر كمورد للأمان عبر Azure وGoogle وAWS. تفوز راحة الشراء المتزايدة بشكل افتراضي. ويعتمد ما إذا كان هذا التركيز سمة أو نقطة فشل واحدة على مدى تقدم المؤسسة بعد المرحلة الأولى. هوية الموفر البدائية (المرحلة 2) التحكم في التنفيذ (المرحلة 2) العزل البدائي (المرحلة 3) الفجوة اعتبارًا من أبريل 2026 تحديد نطاق وكيل Microsoft Azure Entra ID. يقوم الوكيل 365 بتعيين الوكلاء للمالكين. جا. سياسات Copilot Studio DLP. نطاق تصنيف مخرجات الوكيل. جا. حاويات Azure السرية لأحمال عمل الوكيل. معاينة. لا يوجد وضع حماية لكل وكيل في GA. لا يوجد التحقق من هوية وكيل إلى وكيل. لا توجد طبقة إدارة MCP. يراقب الوكيل 365 ولكن لا يمكنه حظر مكالمات الأدوات أثناء الرحلة. الوكلاء المدارون البشريون: أذونات محددة لكل وكيل، وإدارة بيانات الاعتماد. بيتا (8 أبريل 2026). 0.08 دولار\/ساعة الجلسة. أذونات استخدام الأدوات، وتطبيق النظام الفوري، وحواجز الحماية المضمنة. جا. بيئة اختبار الوكلاء المُدارة: حاويات معزولة لكل جلسة، وإمكانية تدقيق سلسلة التنفيذ. بيتا. Allianz وAsana وRakuten وSentry قيد الإنتاج. التسعير التجريبي\/اتفاقية مستوى الخدمة ليست عامة. بيانات الجلسة في قاعدة البيانات المُدارة بواسطة الإنسان (خطر القفل وفقًا لأبحاث VentureBeat). سيتم تحديد توقيت GA. حسابات خدمة Google Cloud Vertex AI لنقاط نهاية النموذج. شروط IAM لحركة مرور الوكيل. جا. ضوابط خدمة VPC لحدود شبكة الوكيل. نموذج درع لتصفية سريعة\/الاستجابة. جا. أجهزة افتراضية سرية لأحمال عمل الوكيل. جا. وضع الحماية الخاص بالوكيل قيد المعاينة. يتم شحن هوية الوكيل كحساب خدمة، وليس كوكيل أصلي. لا يوجد تدقيق للتفويض من وكيل إلى وكيل. لا يقوم Model Armor بفحص حمولات استدعاء الأدوات. واجهة برمجة تطبيقات OpenAI Assistants: أذونات استدعاء الوظائف، والمخرجات المنظمة. وكلاء SDK. جا. حواجز الحماية الخاصة بوكلاء SDK، والتحقق من صحة الإدخال\/الإخراج. جا. وكلاء SDK بيثون رمل. النسخة التجريبية (واجهة برمجة التطبيقات والإعدادات الافتراضية عرضة للتغيير قبل GA لكل مستندات OpenAI). تم تأكيد وضع الحماية لـ TypeScript، ولم يتم شحنه. لا يوجد اتحاد هوية عبر الموفر. يقتصر الطب الشرعي لذاكرة الوكيل على نطاق الجلسة. لا توجد واجهة برمجة تطبيقات لمفتاح القتل. لا يوجد فحص لوصف أداة MCP. تسجيل استدعاء نموذج AWS Bedrock. سياسات IAM للوصول إلى النموذج. CloudTrail لاستدعاءات واجهة برمجة تطبيقات الوكيل. جا. حواجز حماية من حجر الأساس لتصفية المحتوى. سياسات موارد Lambda لوظائف الوكيل. جا. عزل لامدا لكل وظيفة وكيل. جا. وضع الحماية على مستوى الوكيل الأساسي على خريطة الطريق، لم يتم شحنه. لا توجد طائرة تحكم موحدة للعملاء عبر Bedrock + SageMaker + Lambda. لا يوجد معيار هوية الوكيل. لا تقوم حواجز الحماية بفحص أوصاف أداة MCP. الحالة اعتبارًا من 15 أبريل 2026. GA = متاح بشكل عام. المعاينة\/الإصدار التجريبي = غير متشدد الإنتاج. يعكس عمود \"ما هو المفقود\" تحليل VentureBeat للقدرات الموثقة علنًا؛ قد تضيق الفجوات مع قيام البائعين بشحن التحديثات. لا يوجد مزود في هذه الشبكة يقوم بشحن حزمة كاملة من المرحلة الثالثة اليوم. تقوم معظم المؤسسات بتجميع العزلة عن كتل البناء السحابية الحالية. وهذا خيار يمكن الدفاع عنه إذا كان متعمدا. إن انتظار البائع لسد الفجوة دون الاعتراف بالفجوة ليس استراتيجية. تغطي الشبكة أعلاه حزم SDK الأصلية للمقياس الفائق. يتم نشر شريحة كبيرة من منشئي الذكاء الاصطناعي من خلال أطر عمل تنسيق مفتوحة المصدر مثل LangChain، وCrewAI، وLlamaIndex التي تتجاوز IAM ذات النطاق الفائق بالكامل. تفتقر هذه الأطر إلى أساسيات المرحلة الثانية الأصلية. لا توجد هوية وكيل محددة النطاق، ولا يوجد سير عمل للموافقة على استدعاء الأداة، ولا توجد مسارات تدقيق مضمنة. تحتاج المؤسسات التي تدير وكلاء من خلال تنسيق مفتوح المصدر إلى وضع طبقة من التنفيذ والعزل في الأعلى، وليس افتراض أن إطار العمل يوفر ذلك. يقوم استطلاع VentureBeat بقياس الضغط. ارتفع معدل اتساق إنفاذ السياسات من 39.5% إلى 46% بين يناير وفبراير، وهو أكبر مكسب ثابت لأي معيار للقدرة. تحتاج المؤسسات التي تدير وكلاء عبر OpenAI وAnthropic وAzure إلى تنفيذ يعمل بنفس الطريقة بغض النظر عن النموذج الذي ينفذ المهمة. تعمل عناصر التحكم الأصلية للموفر على فرض السياسة خلال وقت تشغيل هذا الموفر فقط. أطر التنسيق مفتوحة المصدر لا تفرضها في أي مكان. إحدى الحجج المضادة تستحق الاعتراف: ليس كل عملية نشر للوكلاء تحتاج إلى المرحلة الثالثة. قد يتوقف وكيل التلخيص للقراءة فقط دون الوصول إلى الأداة ولا توجد أذونات كتابة عند المرحلة الأولى. إن فشل التسلسل الذي يعالجه هذا التدقيق لا يعني وجود المراقبة. إن المؤسسات التي تدير وكلاء يتمتعون بإمكانية الوصول للكتابة وبيانات الاعتماد المشتركة والتفويض من وكيل إلى وكيل تتعامل مع المراقبة على أنها كافية. بالنسبة لعمليات النشر هذه، فإن المرحلة الأولى ليست استراتيجية. إنها فجوة. تعرض Allianz المرحلة الثالثة في الإنتاج، تدير Allianz، إحدى أكبر شركات التأمين وإدارة الأصول في العالم، وكلاء Claude Managed Agents عبر سير عمل التأمين، مع نشر Claude Code في الفرق الفنية ونظام تسجيل مخصص للذكاء الاصطناعي لتحقيق الشفافية التنظيمية، وفقًا لإعلان Anthropic الصادر في 8 أبريل. يتم إنتاج Asana وRakuten وSentry وNotion في نفس النسخة التجريبية. أصبحت المرحلة الثالثة من العزلة والإذن لكل وكيل وإمكانية تدقيق سلسلة التنفيذ قابلة للنشر الآن، وليس خريطة الطريق. والسؤال المطروح هو ما إذا كانت المؤسسة قد قامت بتسلسل العمل لاستخدامها. تسلسل المعالجة لمدة 90 يومًا، الأيام من 1 إلى 30: المخزون وخط الأساس. قم بتعيين كل وكيل إلى مالك محدد. تسجيل جميع مكالمات الأداة. إبطال مفاتيح API المشتركة. نشر المراقبة للقراءة فقط عبر كل حركة مرور واجهة برمجة تطبيقات الوكيل. قم بتشغيل mcp-scan على كل خادم MCP مسجل. يكتشف CrowdStrike 1800 تطبيق من تطبيقات الذكاء الاصطناعي عبر نقاط نهاية المؤسسة؛ يجب أن يكون المخزون الخاص بك شاملاً بنفس القدر. الإخراج: تسجيل الوكيل مع مصفوفة الأذونات، وتقرير فحص MCP. الأيام 31-60: الإنفاذ والنطاق. تعيين هويات النطاق لكل وكيل. نشر سير عمل الموافقة على استدعاء الأداة لعمليات الكتابة. دمج سجلات نشاط الوكيل في SIEM الموجودة. قم بإجراء تمرين الطاولة: ماذا يحدث عندما يقوم الوكيل بإنشاء وكيل؟ قم بإجراء اختبار رمز الكناري من المصفوفة الإرشادية. الإخراج: مجموعة سياسة IAM، وسير عمل الموافقة، وتكامل SIEM، ونتائج اختبار رمز الكناري. الأيام 61-90: العزل والاختبار. أعباء عمل وكيل Sandbox عالية المخاطر (PHI وPII والمعاملات المالية). فرض أقل امتياز لكل جلسة. يتطلب تسجيل الخروج البشري لتفويض وكيل إلى وكيل. الفريق الأحمر حدود العزلة باستخدام اختبار الكشف عن المرحلة الثالثة من المصفوفة. المخرج: بيئة تنفيذ معزولة، تقرير الفريق الأحمر، ملخص المخاطر الجاهز لمجلس الإدارة مع التعرض التنظيمي المعين لطبقة HIPAA وتوجيهات FINRA. ما هي التغييرات التي ستطرأ خلال الثلاثين يومًا القادمة من المادة 14 من قانون الذكاء الاصطناعي للاتحاد الأوروبي، والتي تدخل التزامات الرقابة البشرية حيز التنفيذ في 2 أغسطس 2026. تواجه البرامج التي ليس لها مالكين محددين وقدرة على تتبع التنفيذ التنفيذ، وليس المخاطر التشغيلية. Anthropic’s Claude Managed Agents موجود في الإصدار التجريبي العام بسعر 0.08 دولار لكل ساعة جلسة. لم يتم الإعلان عن توقيت GA، واتفاقيات مستوى الخدمة للإنتاج، والسعر النهائي. تقوم OpenAI Agents SDK بشحن دعم TypeScript لقدرات وضع الحماية والتسخير في إصدار مستقبلي، وفقًا لإعلان الشركة الصادر في 15 أبريل. يصبح وضع الحماية للمرحلة الثالثة متاحًا لمجموعات وكيل JavaScript عند شحنه. ما يتطلبه التسلسل: يربط استطلاع ماكينزي لنضج الثقة في الذكاء الاصطناعي لعام 2026 المؤسسة المتوسطة بـ 2.3 من 4.0 في نموذج نضج RAI الخاص بها، ارتفاعًا من 2.0 في عام 2025 ولكنه لا يزال رقم مرحلة التنفيذ؛ فقط ثلث المؤسسات التي شملتها الدراسة والتي يبلغ عددها 500 مؤسسة أبلغت عن مستويات نضج تبلغ ثلاثة أو أعلى في مجال الحوكمة. وسبعون بالمائة لم ينتهوا من الانتقال إلى المرحلة الثالثة. تمنحك منهجية التنفيذ التقدمية لـ ARMO المسار: ملفات التعريف السلوكية في المراقبة، وخطوط الأساس للأذونات في التنفيذ الانتقائي، والامتياز الأقل الكامل بمجرد استقرار خطوط الأساس. ولم يضيع رصد الاستثمار. لقد كانت المرحلة الأولى من ثلاث. تعاملت المنظمات العالقة في البيانات معها على أنها الوجهة. بيانات الميزانية تجعل القيد واضحا. وتضاعفت حصة الشركات التي أعلنت عن ميزانيات ثابتة لأمن الذكاء الاصطناعي من 7.9% في يناير إلى 16% في فبراير في استطلاع VentureBeat، مع قراءة اتجاهية لشهر مارس بلغت 20%. تؤدي المؤسسات التي تعمل على توسيع عمليات نشر الوكلاء دون زيادة الاستثمار الأمني ​​إلى تراكم الديون الأمنية بسرعة الآلة. وفي الوقت نفسه، انخفضت الحصة التي أبلغت عن عدم وجود أدوات أمنية للوكلاء على الإطلاق من 13% في يناير إلى 5% في مارس. هناك تقدم، ولكن لا تزال واحدة من كل عشرين مؤسسة تدير وكلاء في الإنتاج لا تحتوي على أي بنية تحتية أمنية مخصصة من حولها. حول هذا البحث إجمالي المشاركين المؤهلين: 108. VentureBeat Pulse AI Security and Trust هو استطلاع VentureBeat ثلاثي الموجات يتم إجراؤه في الفترة من 6 يناير إلى 15 مارس 2026. العينة المؤهلة (المؤسسات التي يزيد عدد موظفيها عن 100 موظف): يناير عدد = 38، فبراير عدد = 50، مارس عدد = 20. يستمر التحليل الأولي من يناير إلى فبراير؛ مارس اتجاهي. مزيج الصناعة: التكنولوجيا\/البرمجيات 52.8%، الخدمات المالية 10.2%، الرعاية الصحية 8.3%، التعليم 6.5%، الاتصالات\/الإعلام 4.6%، التصنيع 4.6%، البيع بالتجزئة 3.7%، أخرى 9.3%. الأقدمية: نائب الرئيس\/المدير 34.3%، المدير 29.6%، IC 22.2%، C-Suite 9.3%.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/anthropic-just-launched-claude-design-an-ai-tool-that-turns-prompts-into-prototypes-and-challenges-figma",
            "title_en": "Anthropic just launched Claude Design, an AI tool that turns prompts into prototypes and challenges Figma",
            "summary_en": "Anthropic today launched Claude Design , a new product from its Anthropic Labs division that allows users to create polished visual work — designs, interactive prototypes, slide decks, one-pagers, and marketing collateral — through conversational prompts and fine-grained editing controls. The release, available immediately in research preview to all paid Claude subscribers , is the company's most aggressive expansion beyond its core language model business and into the application layer that has historically belonged to companies like Figma , Adobe , and Canva . Claude Design is powered by Claude Opus 4.7, Anthropic's most capable generally available vision model, which the company also released today. Anthropic says it is rolling access out gradually throughout the day to Claude",
            "body_en": "Anthropic today launched Claude Design , a new product from its Anthropic Labs division that allows users to create polished visual work — designs, interactive prototypes, slide decks, one-pagers, and marketing collateral — through conversational prompts and fine-grained editing controls. The release, available immediately in research preview to all paid Claude subscribers , is the company's most aggressive expansion beyond its core language model business and into the application layer that has historically belonged to companies like Figma , Adobe , and Canva . Claude Design is powered by Claude Opus 4.7, Anthropic's most capable generally available vision model, which the company also released today. Anthropic says it is rolling access out gradually throughout the day to Claude Pro, Max, Team, and Enterprise subscribers. The simultaneous launches mark a watershed for Anthropic, whose ambitions now visibly extend from foundation model provider to full-stack product company — one that wants to own the arc from a rough idea to a shipped product. The timing is also significant: Anthropic hit roughly $20 billion in annualized revenue in early March 2026, according to Bloomberg, up from $9 billion at the end of 2025 — and surpassed $30 billion by early April 2026. The company is in early talks with Goldman Sachs, JPMorgan, and Morgan Stanley about a potential IPO that could come as early as October 2026. How Claude Design turns a text prompt into a working prototype The product follows a workflow that Anthropic has designed to feel like a natural creative conversation. Users describe what they need, and Claude generates a first version. From there, refinement happens through a combination of channels: chat-based conversation, inline comments on specific elements, direct text editing, and custom adjustment sliders that Claude itself generates to let users tweak spacing, color, and layout in real time. During onboarding, Claude reads a team's codebase and design files and builds a design system — colors, typography, and components — that it automatically applies to every subsequent project. Teams can refine the system over time and maintain more than one. The import surface is broad: users can start from a text prompt, upload images and documents in various formats, or point Claude at their codebase. A web capture tool grabs elements directly from a live website so prototypes look like the real product. What distinguishes Claude Design from the wave of AI design experiments that have proliferated in the past year is the handoff mechanism. When a design is ready to build, Claude packages everything into a handoff bundle that can be passed to Claude Code with a single instruction. That creates a closed loop — exploration to prototype to production code — all within Anthropic's ecosystem. The export options acknowledge that not everyone's next step is Claude Code: users can also share designs as an internal URL within their organization, save as a folder, or export to Canva, PDF, PPTX, or standalone HTML files. Anthropic points to Brilliant , the education technology company known for intricate interactive lessons, as an early proof point. The company's senior product designer reported that the most complex pages required 20 or more prompts to recreate in competing tools but needed only 2 in Claude Design. The Brilliant team then turned static mockups into interactive prototypes they could share and user-test without code review, and handed everything — including the design intent — to Claude Code for implementation. Datadog's product team described a similar shift, compressing what had been a week-long cycle of briefs, mockups, and review rounds into a single conversation. Why Anthropic's chief product officer just resigned from Figma's board The launch arrives against a backdrop that makes Anthropic's claim of complementarity with existing design tools difficult to take entirely at face value. Mike Krieger, Anthropic's chief product officer, resigned from the board of Figma on April 14 — the same day The Information reported Anthropic's next model would include design tools that could compete with Figma's primary offering. Figma has collaborated closely with Anthropic to integrate the frontier lab's AI models into its products. Just two months ago, in February, Figma launched \" Code to Canvas ,\" a feature that converts code generated in AI tools like Claude Code into fully editable designs inside Figma — creating a bridge between AI coding tools and Figma's design process. The partnership felt like a mutual bet that AI would make design more essential, not less. Claude Design complicates that narrative significantly. Anthropic's position, based on VentureBeat's background conversations with the company, is that Claude Design is built around interoperability and is meant to meet teams where they already work, not replace incumbent tools. The company points to the Canva export, PPTX and PDF support, and plans to make it easier for other tools to connect via MCPs (model context protocols) as evidence of that philosophy. Anthropic is also making it possible for other tools to build integrations with Claude Design, a move clearly designed to preempt accusations of walled-garden ambitions. But the market read the signals differently. The structural tension is clear: Figma commands an estimated 80 to 90% market share in UI and UX design, according to The Next Web. Both Figma and Adobe assume a trained designer is in the loop. Anthropic's tool does not. Claude Design is not merely another AI copilot embedded in an existing design application. It is a standalone product that generates complete, interactive prototypes from natural language — accessible to founders, product managers, and marketers who have never opened Figma. The expansion of the design user base to non-designers is the real competitive threat, even if the professional designer's workflow remains anchored in Figma for now. Inside Claude Opus 4.7, the model Anthropic deliberately made less dangerous The model powering Claude Design is itself a significant story. Claude Opus 4.7 is Anthropic's most capable generally available model, with notable improvements over its predecessor Opus 4.6 in software engineering, instruction following, and vision — but it is intentionally less capable than Anthropic's most powerful offering, Claude Mythos Preview , the model the company announced earlier this month as too dangerous for broad release due to its cybersecurity capabilities. That dual-track approach — one model for the public, one model locked behind a vetted-access program — is unprecedented in the AI industry. Anthropic used Claude Mythos Preview to identify thousands of zero-day vulnerabilities in every major operating system and web browser, as reported by multiple outlets. The Project Glasswing initiative that houses Mythos brings together Amazon Web Services, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorganChase, the Linux Foundation, Microsoft, Nvidia, and Palo Alto Networks as launch partners. Opus 4.7 sits a deliberate step below Mythos. Anthropic stated in its release that it \"experimented with efforts to differentially reduce\" the new model's cyber capabilities during training and ships it with safeguards that automatically detect and block requests indicating prohibited or high-risk cybersecurity uses. What Anthropic learns from those real-world safeguards will inform the eventual goal of broader release for Mythos-class models. For security professionals with legitimate needs, the company has created a new Cyber Verification Program . On benchmarks, the model posts strong numbers. Opus 4.7 reached 64.3% on SWE-bench Pro , and on Anthropic's internal 93-task coding benchmark, it delivered a 13% resolution improvement over Opus 4.6, including solving four tasks that neither Opus 4.6 nor Sonnet 4.6 could crack. The vision improvements are substantial and directly relevant to Claude Design: Opus 4.7 can accept images up to 2,576 pixels on the long edge — roughly 3.75 megapixels, more than three times the resolution of prior Claude models. Early access partner XBOW, the autonomous penetration testing company, reported that the new model scored 98.5% on their visual-acuity benchmark versus 54.5% for Opus 4.6. Meanwhile, Bloomberg reported that the White House is preparing to make a version of Mythos available to major federal agencies, with the Office of Management and Budget setting up protections for Cabinet departments — a sign that the government views the model's capabilities as too important to leave solely in private hands. What enterprise buyers need to know about data privacy and pricing For enterprise and regulated-industry buyers, the data handling architecture of Claude Design will be a critical evaluation criterion. Based on VentureBeat's exclusive background discussions with Anthropic, the system stores the design-system representation it generates — not the source files themselves. When users link a local copy of their code, it is not uploaded to or stored on Anthropic's servers. The company is also adding the ability to connect directly to GitHub. Anthropic states unequivocally that it does not train on this data. For Enterprise customers, Claude Design is off by default — administrators choose whether to enable it and control who has access. On pricing, Claude Design is included at no additional cost with Pro, Max, Team, and Enterprise plans, using existing subscription limits with optional extra usage beyond those caps. Opus 4.7 holds the same API pricing as its predecessor: $5 per million input tokens and $25 per million output tokens. The pricing strategy mirrors the approach Anthropic took with Claude Code, which launched as a bundled feature and rapidly grew into a major revenue driver. Anthropic's reasoning is straightforward: the best way to learn what people will build with a new product category is to put it in their hands, then build monetization around demonstrated value. Anthropic is also being transparent about the product's limitations. The design system import works best with a clean codebase; messy source code produces messy output. Collaboration is basic and not yet fully multiplayer. The editing experience has rough edges. There is no general availability date, and Anthropic says that is intentional — it will let the product and user feedback determine when Claude Design is ready for prime time. Anthropic's bet that owning the full creative stack is worth the risk Claude Design is the most visible expression of a trend that has been accelerating for months: the major AI labs are moving up the stack from model providers into full application builders, directly entering categories previously owned by established software companies. Anthropic now offers a coding agent (Claude Code), a knowledge-work assistant (Claude Cowork), desktop computer control, office integrations for Word, Excel, and PowerPoint, a browser agent in Chrome, and now a design tool. Each product reinforces the others. A designer can explore concepts in Claude Design, export a prototype, hand it to Claude Code for implementation, and have Claude Cowork manage the review cycle — all within Anthropic's platform. The financial momentum behind this expansion is staggering. Anthropic has received investor offers valuing the company at approximately $800 billion , according to Reuters, more than doubling its $380 billion valuation from a funding round closed just two months ago. But building an application empire while simultaneously navigating an AI safety reputation, an impending IPO, growing public hostility toward the technology, and the diplomatic fallout of competing with your own partners is a balancing act that no technology company has attempted at this scale or speed. When Figma launched Code to Canvas in February, the implicit promise was that AI coding tools and design tools would grow together, each making the other more valuable. Two months later, Anthropic's chief product officer has left Figma's board, and the company has shipped a product that lets anyone who can type a sentence create the kind of interactive prototype that once required years of design training and a Figma license. The partnership may survive. But the power dynamic just changed — and in the AI industry, that tends to be the only kind of change that matters.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/5DmzXzlni0pVWEsOQilzRl\/7be8fdfb9d3f0d88f49cb8d3d8df28c7\/nuneybits_Vector_art_of_a_retro_CRT_computer_displaying_color_s_d7afd7e6-cc20-434f-b18e-32f034a387ed-1.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/anthropic-just-launched-claude-design-an-ai-tool-that-turns-prompts-into-prototypes-and-challenges-figma",
            "date": "2026-04-17",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "أطلقت Anthropic للتو Claude Design، وهي أداة تعمل بالذكاء الاصطناعي تحول المطالبات إلى نماذج أولية وتتحدى Figma",
            "summary_ar": "أطلقت Anthropic اليوم كلود ديزاين، وهو منتج جديد من قسم Anthropic Labs الذي يسمح للمستخدمين بإنشاء أعمال مرئية مصقولة - تصميمات، ونماذج أولية تفاعلية، ومجموعات شرائح، وصفحة واحدة، وضمانات تسويقية - من خلال مطالبات المحادثة وضوابط التحرير الدقيقة. يعد الإصدار، المتوفر على الفور في معاينة البحث لجميع مشتركي Claude المدفوعين، التوسع الأكثر عدوانية للشركة بما يتجاوز أعمال نموذج اللغة الأساسية الخاصة بها وفي طبقة التطبيقات التي كانت مملوكة تاريخيًا لشركات مثل Figma وAdobe وCanva. يتم تشغيل Claude Design بواسطة Claude Opus 4.7، وهو نموذج الرؤية الأكثر قدرة والمتوفر بشكل عام من Anthropic، والذي أطلقته الشركة أيضًا اليوم. تقول شركة Anthropic إنها تعمل على طرح إمكانية الوصول تدريجيًا على مدار اليوم كلود",
            "body_ar": "أطلقت Anthropic اليوم كلود ديزاين، وهو منتج جديد من قسم Anthropic Labs الذي يسمح للمستخدمين بإنشاء أعمال مرئية مصقولة - تصميمات، ونماذج أولية تفاعلية، ومجموعات شرائح، وصفحة واحدة، وضمانات تسويقية - من خلال مطالبات المحادثة وضوابط التحرير الدقيقة. يعد الإصدار، المتوفر على الفور في معاينة البحث لجميع مشتركي Claude المدفوعين، التوسع الأكثر عدوانية للشركة بما يتجاوز أعمال نموذج اللغة الأساسية الخاصة بها وفي طبقة التطبيقات التي كانت مملوكة تاريخيًا لشركات مثل Figma وAdobe وCanva. يتم تشغيل Claude Design بواسطة Claude Opus 4.7، وهو نموذج الرؤية الأكثر قدرة والمتوفر بشكل عام من Anthropic، والذي أطلقته الشركة أيضًا اليوم. تقول Anthropic إنها ستطرح إمكانية الوصول تدريجيًا على مدار اليوم لمشتركي Claude Pro وMax وTeam وEnterprise. تمثل عمليات الإطلاق المتزامنة نقطة تحول بالنسبة لشركة Anthropic، التي تمتد طموحاتها الآن بشكل واضح من مزود النماذج الأساسية إلى شركة المنتجات الكاملة - الشركة التي تريد امتلاك القوس من فكرة تقريبية إلى منتج يتم شحنه. التوقيت مهم أيضًا: حققت Anthropic ما يقرب من 20 مليار دولار من الإيرادات السنوية في أوائل مارس 2026، وفقًا لبلومبرج، ارتفاعًا من 9 مليارات دولار في نهاية عام 2025 - وتجاوزت 30 مليار دولار بحلول أوائل أبريل 2026. وتجري الشركة محادثات مبكرة مع جولدمان ساكس، وجي بي مورجان، ومورجان ستانلي حول طرح عام أولي محتمل يمكن أن يأتي في وقت مبكر من أكتوبر 2026. كيف يقوم كلود ديزاين بتحويل نص موجه إلى نموذج أولي عملي يتبع المنتج سير عمل صممته Anthropic ليشعر وكأنه محادثة إبداعية طبيعية. يصف المستخدمون ما يحتاجون إليه، ويقوم كلود بإنشاء الإصدار الأول. ومن هناك، يتم التحسين من خلال مجموعة من القنوات: المحادثة القائمة على الدردشة، والتعليقات المضمنة على عناصر محددة، والتحرير المباشر للنص، وشرائح تمرير الضبط المخصصة التي ينشئها كلود بنفسه للسماح للمستخدمين بتعديل المسافات والألوان والتخطيط في الوقت الفعلي. أثناء الإعداد، يقرأ كلود قاعدة التعليمات البرمجية وملفات التصميم الخاصة بالفريق ويبني نظام تصميم - الألوان والطباعة والمكونات - الذي يطبقه تلقائيًا على كل مشروع لاحق. يمكن للفرق تحسين النظام بمرور الوقت والحفاظ على أكثر من نظام واحد. سطح الاستيراد واسع: يمكن للمستخدمين البدء من موجه نصي، وتحميل الصور والمستندات بتنسيقات مختلفة، أو توجيه Claude إلى قاعدة التعليمات البرمجية الخاصة بهم. تقوم أداة التقاط الويب بتجميع العناصر مباشرة من موقع ويب مباشر بحيث تبدو النماذج الأولية وكأنها المنتج الحقيقي. ما يميز كلود ديزاين عن موجة تجارب تصميم الذكاء الاصطناعي التي انتشرت في العام الماضي هو آلية التسليم. عندما يكون التصميم جاهزًا للبناء، يقوم كلود بتجميع كل شيء في حزمة تسليم يمكن تمريرها إلى كلود كود بتعليمات واحدة. يؤدي ذلك إلى إنشاء حلقة مغلقة - استكشاف النموذج الأولي لرمز الإنتاج - كل ذلك ضمن النظام البيئي لشركة Anthropic. تقر خيارات التصدير بأن الخطوة التالية للجميع ليست هي Claude Code: يمكن للمستخدمين أيضًا مشاركة التصميمات كعنوان URL داخلي داخل مؤسستهم، أو حفظها كمجلد، أو التصدير إلى ملفات Canva، أو PDF، أو PPTX، أو ملفات HTML المستقلة. تشير الأنثروبيك إلى شركة Brilliant، شركة تكنولوجيا التعليم المعروفة بالدروس التفاعلية المعقدة، كنقطة إثبات مبكرة. أفاد كبير مصممي المنتجات بالشركة أن الصفحات الأكثر تعقيدًا تتطلب 20 مطالبة أو أكثر لإعادة إنشائها في أدوات منافسة ولكنها تحتاج إلى اثنتين فقط في Claude Design. قام فريق Brilliant بعد ذلك بتحويل النماذج الثابتة إلى نماذج أولية تفاعلية يمكنهم مشاركتها واختبارها من قبل المستخدم دون مراجعة التعليمات البرمجية، وسلموا كل شيء - بما في ذلك هدف التصميم - إلى Claude Code للتنفيذ. وصف فريق منتج Datadog تحولًا مشابهًا، حيث قام بضغط ما كان عبارة عن دورة مدتها أسبوع من الملخصات والنماذج وجولات المراجعة في محادثة واحدة. لماذا استقال كبير مسؤولي الإنتاج في Anthropic للتو من مجلس إدارة Figma؟ يأتي الإطلاق على خلفية تجعل من الصعب قبول ادعاء Anthropic بالتكامل مع أدوات التصميم الحالية بالكامل في ظاهرها. استقال مايك كريجر، كبير مسؤولي المنتجات في Anthropic، من مجلس إدارة Figma في 14 أبريل - وهو نفس اليوم الذي ذكرت فيه المعلومات أن نموذج Anthropic التالي سيتضمن أدوات تصميم يمكن أن تتنافس مع عرض Figma الأساسي. تعاونت Figma بشكل وثيق مع Anthropic لدمج نماذج الذكاء الاصطناعي الخاصة بالمختبر الحدودي في منتجاتها. منذ شهرين فقط، في فبراير، أطلقت Figma \"Code to Canvas\"، وهي ميزة تعمل على تحويل التعليمات البرمجية التي تم إنشاؤها في أدوات الذكاء الاصطناعي مثل Claude Code إلى تصميمات قابلة للتحرير بالكامل داخل Figma - مما يؤدي إلى إنشاء جسر بين أدوات ترميز الذكاء الاصطناعي وعملية تصميم Figma. بدت الشراكة وكأنها رهان متبادل على أن الذكاء الاصطناعي سيجعل التصميم أكثر أهمية، وليس أقل أهمية. كلود ديزاين يعقد هذه الرواية بشكل كبير. موقف Anthropic، استنادًا إلى المحادثات الخلفية التي أجرتها VentureBeat مع الشركة، هو أن Claude Design مبني على قابلية التشغيل البيني ويهدف إلى مقابلة الفرق حيث يعملون بالفعل، وليس استبدال الأدوات الحالية. وتشير الشركة إلى دعم Canva للتصدير وPPTX وPDF، وتخطط لتسهيل اتصال الأدوات الأخرى عبر MCPs (بروتوكولات السياق النموذجية) كدليل على هذه الفلسفة. تعمل الأنثروبيك أيضًا على تمكين الأدوات الأخرى من بناء عمليات تكامل مع كلود ديزاين، وهي خطوة مصممة بوضوح لاستباق الاتهامات بطموحات الحدائق المسورة. لكن السوق يقرأ الإشارات بشكل مختلف. التوتر الهيكلي واضح: تمتلك Figma ما يقدر بنحو 80 إلى 90٪ من حصة السوق في تصميم واجهة المستخدم وتجربة المستخدم، وفقًا لموقع The Next Web. يفترض كل من Figma وAdobe أن هناك مصممًا مدربًا في الحلقة. أداة الأنثروبي لا تفعل ذلك. إن Claude Design ليس مجرد مساعد طيار آخر يعمل بالذكاء الاصطناعي ومضمن في تطبيق تصميم موجود. إنه منتج مستقل يقوم بإنشاء نماذج أولية كاملة وتفاعلية من اللغة الطبيعية - يمكن الوصول إليها للمؤسسين ومديري المنتجات والمسوقين الذين لم يفتحوا Figma من قبل. إن توسيع قاعدة مستخدمي التصميم لتشمل غير المصممين هو التهديد التنافسي الحقيقي، حتى لو ظل سير عمل المصمم المحترف راسخًا في Figma في الوقت الحالي. داخل Claude Opus 4.7، جعل النموذج الأنثروبي أقل خطورة عن عمد. النموذج الذي يدعمه Claude Design هو في حد ذاته قصة مهمة. يعد Claude Opus 4.7 هو النموذج الأكثر قدرة والمتوفر بشكل عام من Anthropic، مع تحسينات ملحوظة على سابقتها Opus 4.6 في هندسة البرمجيات ومتابعة التعليمات والرؤية - ولكنه أقل قدرة عمدًا من أقوى عروض Anthropic، Claude Mythos Preview، النموذج الذي أعلنت عنه الشركة في وقت سابق من هذا الشهر باعتباره خطيرًا للغاية بحيث لا يمكن إصداره على نطاق واسع بسبب قدراته في مجال الأمن السيبراني. إن هذا النهج المزدوج المسار - نموذج واحد للجمهور، ونموذج واحد مغلق خلف برنامج فحص الوصول - غير مسبوق في صناعة الذكاء الاصطناعي. استخدمت Anthropic Claude Mythos Preview لتحديد الآلاف من نقاط الضعف في يوم الصفر في كل نظام تشغيل رئيسي ومتصفح ويب، كما ذكرت منافذ متعددة. تجمع مبادرة Project Glasswing التي تضم Mythos بين Amazon Web Services وApple وBroadcom وCisco وCrowdStrike وGoogle وJPMorganChase وLinux Foundation وMicrosoft وNvidia وPalo Alto Networks كشركاء إطلاق. يقع Opus 4.7 في خطوة متعمدة أسفل Mythos. ذكرت Anthropic في بيانها أنها \"جربت الجهود الرامية إلى تقليل\" القدرات السيبرانية للنموذج الجديد بشكل تفاضلي أثناء التدريب وتزويده بضمانات تكتشف وتحظر تلقائيًا الطلبات التي تشير إلى استخدامات الأمن السيبراني المحظورة أو عالية الخطورة. إن ما ستتعلمه Anthropic من إجراءات الحماية الواقعية هذه سيبلغ الهدف النهائي المتمثل في إصدار أوسع لنماذج Mythos-class. بالنسبة لمحترفي الأمن ذوي الاحتياجات المشروعة، أنشأت الشركة برنامجًا جديدًا للتحقق السيبراني. فيما يتعلق بالمعايير المرجعية، ينشر النموذج أرقامًا قوية. وصل Opus 4.7 إلى 64.3% على SWE-bench Pro، وعلى معيار التشفير الداخلي لـ 93 مهمة في Anthropic، فقد حقق تحسينًا في الدقة بنسبة 13% مقارنة بـ Opus 4.6، بما في ذلك حل أربع مهام لم يتمكن Opus 4.6 ولا Sonnet 4.6 من حلها. تعد تحسينات الرؤية جوهرية وذات صلة مباشرة بـ Claude Design: يمكن لـ Opus 4.7 قبول صور تصل إلى 2576 بكسل على الحافة الطويلة - ما يقرب من 3.75 ميجابكسل، أي أكثر من ثلاثة أضعاف دقة نماذج Claude السابقة. أفاد شريك الوصول المبكر XBOW، شركة اختبار الاختراق المستقلة، أن النموذج الجديد سجل 98.5% في معيار حدة البصر مقابل 54.5% لـ Opus 4.6. وفي الوقت نفسه، ذكرت بلومبرج أن البيت الأبيض يستعد لإتاحة نسخة من Mythos للوكالات الفيدرالية الكبرى، مع قيام مكتب الإدارة والميزانية بإعداد وسائل حماية لإدارات مجلس الوزراء - في إشارة إلى أن الحكومة تعتبر قدرات النموذج مهمة جدًا بحيث لا يمكن تركها في أيدي القطاع الخاص فقط. ما يحتاج المشترون من المؤسسات إلى معرفته حول خصوصية البيانات والتسعير بالنسبة للمشترين من المؤسسات والصناعة المنظمة، ستكون بنية معالجة البيانات الخاصة بـ Claude Design معيارًا حاسمًا للتقييم. استنادًا إلى المناقشات الخلفية الحصرية التي أجراها VentureBeat مع Anthropic، يقوم النظام بتخزين تمثيل نظام التصميم الذي ينشئه - وليس ملفات المصدر نفسها. عندما يقوم المستخدمون بربط نسخة محلية من التعليمات البرمجية الخاصة بهم، لا يتم تحميلها أو تخزينها على خوادم Anthropic. تضيف الشركة أيضًا القدرة على الاتصال مباشرة بـ GitHub. تنص الأنثروبي بشكل لا لبس فيه على أنها لا تتدرب على هذه البيانات. بالنسبة لعملاء المؤسسات، يتم إيقاف تشغيل Claude Design افتراضيًا — ويختار المسؤولون ما إذا كانوا يريدون تمكينه والتحكم في من يمكنه الوصول. فيما يتعلق بالتسعير، يتم تضمين Claude Design دون أي تكلفة إضافية مع خطط Pro وMax وTeam وEnterprise، باستخدام حدود الاشتراك الحالية مع استخدام إضافي اختياري يتجاوز تلك الحدود القصوى. يحمل Opus 4.7 نفس أسعار واجهة برمجة التطبيقات (API) مثل سابقتها: 5 دولارات لكل مليون رمز إدخال و25 دولارًا لكل مليون رمز إخراج. تعكس استراتيجية التسعير النهج الذي اتبعته Anthropic مع Claude Code، والذي تم إطلاقه كميزة مجمعة ونما بسرعة ليصبح محركًا رئيسيًا للإيرادات. إن منطق أنثروبيك واضح وصريح: إن أفضل طريقة لمعرفة ما سيبنيه الناس باستخدام فئة منتج جديدة هو وضعه بين أيديهم، ثم تحقيق الدخل بناءً على القيمة المثبتة. تتحلى الأنثروبيك أيضًا بالشفافية فيما يتعلق بقيود المنتج. يعمل استيراد نظام التصميم بشكل أفضل مع قاعدة تعليمات برمجية نظيفة؛ كود المصدر الفوضوي ينتج عنه مخرجات فوضوية. التعاون أساسي وليس متعدد اللاعبين بشكل كامل بعد. تجربة التحرير لها حواف خشنة. لا يوجد تاريخ عام للتوفر، وتقول Anthropic إن هذا أمر مقصود، فهو سيسمح للمنتج وتعليقات المستخدم بتحديد متى يكون Claude Design جاهزًا للعرض في وقت الذروة. رهان أنثروبيك على أن امتلاك المجموعة الإبداعية الكاملة يستحق المخاطرة، كلود ديزاين هو التعبير الأكثر وضوحًا عن الاتجاه الذي تسارع منذ أشهر: مختبرات الذكاء الاصطناعي الكبرى تنتقل من موفري النماذج إلى شركات إنشاء التطبيقات الكاملة، وتدخل مباشرة الفئات التي كانت مملوكة سابقًا لشركات البرمجيات القائمة. تقدم Anthropic الآن وكيل ترميز (Claude Code)، ومساعدًا للعمل المعرفي (Claude Cowork)، والتحكم في كمبيوتر سطح المكتب، وعمليات تكامل مكتبية لـ Word وExcel وPowerPoint، ووكيل متصفح في Chrome، والآن أداة تصميم. كل منتج يعزز المنتجات الأخرى. يمكن للمصمم استكشاف المفاهيم في Claude Design، وتصدير نموذج أولي، وتسليمه إلى Claude Code للتنفيذ، وجعل Claude Cowork يدير دورة المراجعة - كل ذلك ضمن منصة Anthropic. والزخم المالي وراء هذا التوسع مذهل. تلقت Anthropic عروضًا من المستثمرين تقدر الشركة بحوالي 800 مليار دولار، وفقًا لرويترز، أي أكثر من ضعف تقييمها البالغ 380 مليار دولار من جولة التمويل التي أغلقت قبل شهرين فقط. لكن بناء إمبراطورية تطبيقات مع التعامل في الوقت نفسه مع سمعة سلامة الذكاء الاصطناعي، والاكتتاب العام الأولي الوشيك، والعداء العام المتزايد تجاه التكنولوجيا، والتداعيات الدبلوماسية للتنافس مع شركائك، هو عمل متوازن لم تحاول أي شركة تكنولوجيا القيام به على هذا النطاق أو السرعة. عندما أطلقت شركة Figma Code to Canvas في فبراير، كان الوعد الضمني هو أن أدوات البرمجة وأدوات التصميم الخاصة بالذكاء الاصطناعي سوف تنمو معًا، مما يجعل كل منهما الآخر أكثر قيمة. بعد شهرين، ترك كبير مسؤولي المنتجات في Anthropic مجلس إدارة Figma، وشحنت الشركة منتجًا يتيح لأي شخص يمكنه كتابة جملة إنشاء نوع من النموذج الأولي التفاعلي الذي كان يتطلب في السابق سنوات من التدريب على التصميم وترخيص Figma. قد تستمر الشراكة. لكن ديناميكية القوة تغيرت للتو - وفي صناعة الذكاء الاصطناعي، يميل هذا إلى أن يكون النوع الوحيد من التغيير يهم.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/should-my-enterprise-ai-agent-do-that-nanoclaw-and-vercel-launch-easier-agentic-policy-setting-and-approval-dialogs-across-15-messaging-apps",
            "title_en": "Should my enterprise AI agent do that? NanoClaw and Vercel launch easier agentic policy setting and approval dialogs across 15 messaging apps",
            "summary_en": "For the past year, early adopters of autonomous AI agents have been forced to play a murky game of chance: keep the agent in a useless sandbox or give it the keys to the kingdom and hope it doesn't hallucinate a catastrophic \"delete all\" command. To unlock the true utility of an agent—scheduling meetings, triaging emails, or managing cloud infrastructure—users have had to grant these models raw API keys and broad permissions, raising the risk of their systems being disrupted by an accidental agent mistake. That tradeoff ends today. The creators of the open source sandboxed NanoClaw agent framework — now known under their new private startup named NanoCo — have announced a landmark partnership with Vercel and OneCLI to introduce a standardized, infrastructure-level approval system. By ",
            "body_en": "For the past year, early adopters of autonomous AI agents have been forced to play a murky game of chance: keep the agent in a useless sandbox or give it the keys to the kingdom and hope it doesn't hallucinate a catastrophic \"delete all\" command. To unlock the true utility of an agent—scheduling meetings, triaging emails, or managing cloud infrastructure—users have had to grant these models raw API keys and broad permissions, raising the risk of their systems being disrupted by an accidental agent mistake. That tradeoff ends today. The creators of the open source sandboxed NanoClaw agent framework — now known under their new private startup named NanoCo — have announced a landmark partnership with Vercel and OneCLI to introduce a standardized, infrastructure-level approval system. By integrating Vercel’s Chat SDK and OneCLI’s open source credentials vault, NanoClaw 2.0 ensures that no sensitive action occurs without explicit human consent, delivered natively through the messaging apps where users already live. The specific use cases that stand to benefit most are those involving high-consequence \"write\" actions. That is, in DevOps, an agent could propose a cloud infrastructure change that only goes live once a senior engineer taps \"Approve\" in Slack. For finance teams, an agent could prepare batch payments or invoice triaging, with the final disbursement requiring a human signature via a WhatsApp card. Technology: security by isolation The fundamental shift in NanoClaw 2.0 is the move away from \"application-level\" security to \"infrastructure-level\" enforcement. In traditional agent frameworks, the model itself is often responsible for asking for permission—a flow that Gavriel Cohen, co-founder of NanoCo, describes as inherently flawed. \"The agent could potentially be malicious or compromised,\" Cohen noted in a recent interview. \"If the agent is generating the UI for the approval request, it could trick you by swapping the 'Accept' and 'Reject' buttons.\" NanoClaw solves this by running agents in strictly isolated Docker or Apple Containers. The agent never sees a real API key; instead, it uses \"placeholder\" keys. When the agent attempts an outbound request, the request is intercepted by the OneCLI Rust Gateway. The gateway checks a set of user-defined policies (e.g., \"Read-only access is okay, but sending an email requires approval\"). If the action is sensitive, the gateway pauses the request and triggers a notification to the user. Only after the user approves does the gateway inject the real, encrypted credential and allow the request to reach the service. Product: bringing the 'human' into the loop While security is the engine, Vercel’s Chat SDK is the dashboard. Integrating with different messaging platforms is notoriously difficult because every app—Slack, Teams, WhatsApp, Telegram—uses different APIs for interactive elements like buttons and cards. By leveraging Vercel’s unified SDK, NanoClaw can now deploy to 15 different channels from a single TypeScript codebase. When an agent wants to perform a protected action, the user receives a rich interactive card on their phone. \"The approval shows up as a rich, native card right inside Slack or WhatsApp or Teams, and the user taps once to approve or deny,\" said Cohen. This \"seamless UX\" is what makes human-in-the-loop oversight practical rather than a productivity bottleneck. The full list of 15 supported messaging apps\/channels contains many favored by enterprise knowledge workers, including: Slack WhatsApp Telegram Microsoft Teams Discord Google Chat iMessage Facebook Messenger Instagram X (Twitter) GitHub Linear Matrix Email Webex Background on NanoClaw NanoClaw launched on January 31, 2026, as a minimalist and security-focused response to the \"security nightmare\" inherent in complex, non-sandboxed agent frameworks. Created by Cohen, a former Wix.com engineer, and marketed by his brother Lazer, CEO of B2B tech public relations firm Concrete Media , the project was designed to solve the auditability crisis found in competing platforms like OpenClaw, which had grown to nearly 400,000 lines of code. By contrast, NanoClaw condensed its core logic into roughly 500 lines of TypeScript—a size that, according to VentureBeat, allows the entire system to be audited by a human or a secondary AI in approximately eight minutes. The platform’s primary technical defense is its use of operating system-level isolation. Every agent is placed inside an isolated Linux container—utilizing Apple Containers for high performance on macOS or Docker for Linux—to ensure that the AI only interacts with directories explicitly mounted by the user. As detailed in VentureBeat's reporting on the project's infrastructure , this approach confines the \"blast radius\" of potential prompt injections strictly to the container and its specific communication channel. In March 2026, NanoClaw further matured this security posture through an official partnership with the software container firm Docker to run agents inside \"Docker Sandboxes\". This integration utilizes MicroVM-based isolation to provide an enterprise-ready environment for agents that, by their nature, must mutate their environments by installing packages, modifying files, and launching processes—actions that typically break traditional container immutability assumptions. Operationally, NanoClaw rejects the traditional \"feature-rich\" software model in favor of a \"Skills over Features\" philosophy. Instead of maintaining a bloated main branch with dozens of unused modules, the project encourages users to contribute \"Skills\"—modular instructions that teach a local AI assistant how to transform and customize the codebase for specific needs, such as adding Telegram or Gmail support. This methodology, as described on NanoClaw's website and in VentureBeat interviews, ensures that users only maintain the exact code required for their specific implementation. Furthermore, the framework natively supports \"Agent Swarms\" via the Anthropic Agent SDK, allowing specialized agents to collaborate in parallel while maintaining isolated memory contexts for different business functions. Licensing and open source strategy NanoClaw remains firmly committed to the open source MIT License, encouraging users to fork the project and customize it for their own needs. This stands in stark contrast to \"monolithic\" frameworks. NanoClaw’s codebase is remarkably lean, consisting of only 15 source files and roughly 3,900 lines of code, compared to the hundreds of thousands of lines found in competitors like OpenClaw. The partnership also highlights the strength of the \"Open Source Avengers\" coalition. By combining NanoClaw (agent orchestration), Vercel Chat SDK (UI\/UX), and OneCLI (security\/secrets), the project demonstrates that modular, open-source tools can outpace proprietary labs in building the application layer for AI. Community reactions As shown on the NanoClaw website, the project has amassed more than 27,400 stars on GitHub and maintains an active Discord community. A core claim on the NanoClaw site is that the codebase is small enough to understand in \"8 minutes,\" a feature targeted at security-conscious users who want to audit their assistant. In an interview, Cohen noted that iMessage support via Vercel’s Photon project addresses a common community hurdle: previously, users often had to maintain a separate Mac Mini to connect agents to an iMessage account. The enterprise perspective: should you adopt? For enterprises, NanoClaw 2.0 represents a shift from speculative experimentation to safe operationalization. Historically, IT departments have blocked agent usage due to the \"all-or-nothing\" nature of credential access. By decoupling the agent from the secret, NanoClaw provides a middle ground that mirrors existing corporate security protocols—specifically the principle of least privilege. Enterprises should consider this framework if they require high-auditability and have strict compliance needs regarding data exfiltration. According to Cohen, many businesses have not been ready to grant agents access to calendars or emails because of security concerns. This framework addresses that by ensuring the agent structurally cannot act without permission. Enterprises stand to benefit specifically in use cases involving \"high-stakes\" actions. As illustrated in the OneCLI dashboard, a user can set a policy where an agent can read emails freely but must trigger a manual approval dialog to \"delete\" or \"send\" one. Because NanoClaw runs as a single Node.js process with isolated containers , it allows enterprise security teams to verify that the gateway is the only path for outbound traffic. This architecture transforms the AI from an unmonitored operator into a supervised junior staffer, providing the productivity of autonomous agents without forgoing executive control. Ultimately, NanoClaw is a recommendation for organizations that want the productivity of autonomous agents without the \"black box\" risk of traditional LLM wrappers. It turns the AI from a potentially rogue operator into a highly capable junior staffer who always asks for permission before hitting the \"send\" or \"buy\" button. As AI-native setups become the standard, this partnership establishes the blueprint for how trust will be managed in the age of the autonomous workforce.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/1TbIHt5VGnNz5GgWg0xUQf\/dbf2d9a2c16fd6985c59325778edc9ce\/Gemini_Generated_Image_89y0kh89y0kh89y0.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/should-my-enterprise-ai-agent-do-that-nanoclaw-and-vercel-launch-easier-agentic-policy-setting-and-approval-dialogs-across-15-messaging-apps",
            "date": "2026-04-17",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "هل يجب على وكيل الذكاء الاصطناعي لمؤسستي أن يفعل ذلك؟ يقوم NanoClaw وVercel بإطلاق إعدادات أسهل للسياسة الوكيلة ومربعات حوار الموافقة عبر 15 تطبيق مراسلة",
            "summary_ar": "على مدار العام الماضي، اضطر المتبنون الأوائل لعملاء الذكاء الاصطناعي المستقلين إلى لعب لعبة حظ غامضة: إما إبقاء العميل في صندوق رمل عديم الفائدة أو إعطائه مفاتيح المملكة على أمل ألا يهلوس بأمر \"حذف الكل\" الكارثي. ولإطلاق العنان للأداة الحقيقية للوكيل - مثل جدولة الاجتماعات أو فرز رسائل البريد الإلكتروني أو إدارة البنية التحتية السحابية - كان على المستخدمين منح هذه النماذج مفاتيح واجهة برمجة التطبيقات الأولية وأذونات واسعة النطاق، مما يزيد من خطر تعطل أنظمتهم بسبب خطأ غير مقصود من الوكيل. وتنتهي هذه المقايضة اليوم. أعلن مبتكرو إطار عمل وكيل NanoClaw مفتوح المصدر - المعروف الآن باسم شركتهم الناشئة الخاصة الجديدة المسماة NanoCo - عن شراكة تاريخية مع Vercel وOneCLI لتقديم نظام موافقة موحد على مستوى البنية التحتية. بواسطة",
            "body_ar": "على مدار العام الماضي، اضطر المتبنون الأوائل لعملاء الذكاء الاصطناعي المستقلين إلى لعب لعبة حظ غامضة: إما إبقاء العميل في صندوق رمل عديم الفائدة أو إعطائه مفاتيح المملكة على أمل ألا يهلوس بأمر \"حذف الكل\" الكارثي. ولإطلاق العنان للأداة الحقيقية للوكيل - مثل جدولة الاجتماعات أو فرز رسائل البريد الإلكتروني أو إدارة البنية التحتية السحابية - كان على المستخدمين منح هذه النماذج مفاتيح واجهة برمجة التطبيقات الأولية وأذونات واسعة النطاق، مما يزيد من خطر تعطل أنظمتهم بسبب خطأ غير مقصود من الوكيل. وتنتهي هذه المقايضة اليوم. أعلن مبتكرو إطار عمل وكيل NanoClaw مفتوح المصدر - المعروف الآن باسم شركتهم الناشئة الخاصة الجديدة المسماة NanoCo - عن شراكة تاريخية مع Vercel وOneCLI لتقديم نظام موافقة موحد على مستوى البنية التحتية. من خلال دمج Chat SDK من Vercel وخزينة بيانات الاعتماد مفتوحة المصدر من OneCLI، يضمن NanoClaw 2.0 عدم حدوث أي إجراء حساس دون موافقة بشرية صريحة، ويتم تسليمها محليًا من خلال تطبيقات المراسلة حيث يعيش المستخدمون بالفعل. حالات الاستخدام المحددة التي ستستفيد أكثر من غيرها هي تلك التي تتضمن إجراءات \"كتابة\" عالية العواقب. أي أنه في DevOps، يمكن للوكيل أن يقترح تغييرًا في البنية التحتية السحابية، والذي لا يتم تنفيذه إلا بعد أن ينقر أحد كبار المهندسين على \"الموافقة\" في Slack. بالنسبة للفرق المالية، يمكن للوكيل إعداد الدفعات المجمعة أو فرز الفواتير، حيث يتطلب الصرف النهائي توقيعًا بشريًا عبر بطاقة WhatsApp. التكنولوجيا: الأمن عن طريق العزلة التحول الأساسي في NanoClaw 2.0 هو الابتعاد عن الأمان \"على مستوى التطبيق\" إلى التنفيذ \"على مستوى البنية التحتية\". في أطر عمل الوكلاء التقليدية، غالبًا ما يكون النموذج نفسه مسؤولاً عن طلب الإذن، وهو التدفق الذي وصفه غافرييل كوهين، المؤسس المشارك لشركة NanoCo، بأنه معيب بطبيعته. وأشار كوهين في مقابلة أجريت معه مؤخرًا إلى أن \"العميل قد يكون ضارًا أو مخترقًا\". \"إذا كان الوكيل يقوم بإنشاء واجهة المستخدم لطلب الموافقة، فقد يخدعك عن طريق تبديل زري \"القبول\" و\"الرفض\". تقوم NanoClaw بحل هذه المشكلة عن طريق تشغيل الوكلاء في حاويات Docker أو Apple معزولة تمامًا. لا يرى الوكيل أبدًا مفتاح API حقيقيًا؛ بدلاً من ذلك، فإنه يستخدم مفاتيح \"العنصر النائب\". عندما يحاول الوكيل تقديم طلب صادر، يتم اعتراض الطلب بواسطة OneCLI Rust Gateway. تتحقق البوابة من مجموعة من السياسات المحددة من قبل المستخدم (على سبيل المثال، \"لا بأس بالوصول للقراءة فقط، ولكن إرسال بريد إلكتروني يتطلب موافقة\"). إذا كان الإجراء حساسًا، تقوم البوابة بإيقاف الطلب مؤقتًا وتصدر إشعارًا للمستخدم. فقط بعد موافقة المستخدم، تقوم البوابة بإدخال بيانات الاعتماد الحقيقية والمشفرة وتسمح للطلب بالوصول إلى الخدمة. المنتج: جلب \"الإنسان\" إلى الحلقة في حين أن الأمان هو المحرك، فإن Vercel's Chat SDK هي لوحة المعلومات. يعد التكامل مع منصات المراسلة المختلفة أمرًا بالغ الصعوبة لأن كل تطبيق — Slack وTeams وWhatsApp وTelegram — يستخدم واجهات برمجة تطبيقات مختلفة للعناصر التفاعلية مثل الأزرار والبطاقات. من خلال الاستفادة من SDK الموحد لـ Vercel، يمكن لـ NanoClaw الآن النشر إلى 15 قناة مختلفة من قاعدة بيانات TypeScript واحدة. عندما يريد الوكيل تنفيذ إجراء محمي، يتلقى المستخدم بطاقة تفاعلية غنية على هاتفه. وقال كوهين: \"تظهر الموافقة كبطاقة أصلية غنية مباشرة داخل Slack أو WhatsApp أو Teams، وينقر المستخدم مرة واحدة للموافقة أو الرفض\". إن \"تجربة المستخدم السلسة\" هذه هي ما يجعل الإشراف البشري في الحلقة عمليًا وليس عنق الزجاجة الإنتاجية. تحتوي القائمة الكاملة المكونة من 15 تطبيقًا\/قناة مراسلة مدعومة على العديد من التطبيقات\/القنوات المفضلة من قبل العاملين في مجال المعرفة المؤسسية، بما في ذلك: Slack WhatsApp Telegram Microsoft Teams Discord Google Chat iMessage Facebook Messenger Instagram X (Twitter) GitHub Linear Matrix Email Webex الخلفية على NanoClaw تم إطلاق NanoClaw في 31 يناير 2026، كاستجابة مبسطة ومركزة على الأمان لـ \"الكابوس الأمني\" المتأصل في أطر عمل الوكلاء المعقدة غير الخاضعة للحماية. تم إنشاء المشروع بواسطة كوهين، وهو مهندس سابق في Wix.com، وقام بتسويقه شقيقه Lazer، الرئيس التنفيذي لشركة العلاقات العامة التقنية B2B Concrete Media، وقد تم تصميم المشروع لحل أزمة التدقيق الموجودة في المنصات المنافسة مثل OpenClaw، والتي نمت إلى ما يقرب من 400000 سطر من التعليمات البرمجية. على النقيض من ذلك، قامت NanoClaw بتكثيف منطقها الأساسي في ما يقرب من 500 سطر من TypeScript - وهو الحجم الذي، وفقًا لـ VentureBeat، يسمح بتدقيق النظام بأكمله بواسطة إنسان أو ذكاء اصطناعي ثانوي في حوالي ثماني دقائق. الدفاع الفني الأساسي للمنصة هو استخدامها للعزل على مستوى نظام التشغيل. يتم وضع كل وكيل داخل حاوية Linux معزولة — باستخدام حاويات Apple لتحقيق الأداء العالي على نظام التشغيل macOS أو Docker لنظام التشغيل Linux — لضمان تفاعل الذكاء الاصطناعي فقط مع الدلائل التي قام المستخدم بتثبيتها بشكل صريح. كما هو مفصل في تقارير VentureBeat حول البنية التحتية للمشروع، فإن هذا النهج يحصر \"نطاق الانفجار\" للحقن الفوري المحتمل بشكل صارم في الحاوية وقناة الاتصال المحددة الخاصة بها. في مارس 2026، قامت NanoClaw بتعزيز هذا الوضع الأمني ​​من خلال شراكة رسمية مع شركة حاويات البرمجيات Docker لتشغيل الوكلاء داخل \"Docker Sandboxes\". يستخدم هذا التكامل العزلة المستندة إلى MicroVM لتوفير بيئة جاهزة للمؤسسة للوكلاء الذين، بطبيعتهم، يجب أن يقوموا بتغيير بيئاتهم عن طريق تثبيت الحزم، وتعديل الملفات، وإطلاق العمليات - وهي الإجراءات التي عادةً ما تكسر افتراضات ثبات الحاوية التقليدية. من الناحية التشغيلية، ترفض NanoClaw النموذج البرمجي التقليدي \"الغني بالميزات\" لصالح فلسفة \"المهارات فوق الميزات\". بدلاً من الحفاظ على فرع رئيسي متضخم يحتوي على عشرات الوحدات غير المستخدمة، يشجع المشروع المستخدمين على المساهمة بـ \"المهارات\" - وهي تعليمات معيارية تعلم مساعد الذكاء الاصطناعي المحلي كيفية تحويل قاعدة التعليمات البرمجية وتخصيصها لاحتياجات محددة، مثل إضافة دعم Telegram أو Gmail. تضمن هذه المنهجية، كما هو موضح في موقع NanoClaw الإلكتروني وفي مقابلات VentureBeat، أن يحتفظ المستخدمون فقط بالرمز الدقيق المطلوب لتنفيذهم المحدد. علاوة على ذلك، يدعم إطار العمل أصلاً \"Agent Swarms\" عبر Anthropic Agent SDK، مما يسمح للوكلاء المتخصصين بالتعاون بالتوازي مع الحفاظ على سياقات الذاكرة المعزولة لوظائف الأعمال المختلفة. الترخيص واستراتيجية المصدر المفتوح تظل NanoClaw ملتزمة بشدة بترخيص MIT مفتوح المصدر، مما يشجع المستخدمين على تقسيم المشروع وتخصيصه ليناسب احتياجاتهم الخاصة. وهذا يتناقض بشكل صارخ مع الأطر \"المتجانسة\". تعتبر قاعدة التعليمات البرمجية الخاصة بـ NanoClaw هزيلة بشكل ملحوظ، حيث تتكون من 15 ملف مصدر فقط وما يقرب من 3900 سطر من التعليمات البرمجية، مقارنة بمئات الآلاف من الأسطر الموجودة في المنافسين مثل OpenClaw. تسلط الشراكة الضوء أيضًا على قوة تحالف \"Open Source Avengers\". من خلال الجمع بين NanoClaw (تنسيق الوكيل)، وVercel Chat SDK (UI\/UX)، وOneCLI (الأمان\/الأسرار)، يوضح المشروع أن الأدوات المعيارية مفتوحة المصدر يمكن أن تتفوق على المعامل الخاصة في بناء طبقة التطبيق للذكاء الاصطناعي. ردود فعل المجتمع كما هو موضح على موقع NanoClaw، جمع المشروع أكثر من 27400 نجم على GitHub ويحافظ على مجتمع Discord نشطًا. الادعاء الأساسي على موقع NanoClaw هو أن قاعدة التعليمات البرمجية صغيرة بما يكفي لفهمها في \"8 دقائق\"، وهي ميزة تستهدف المستخدمين المهتمين بالأمان والذين يرغبون في تدقيق مساعدهم. في مقابلة، أشار كوهين إلى أن دعم iMessage عبر مشروع Vercel's Photon يعالج عقبة مجتمعية شائعة: في السابق، كان على المستخدمين في كثير من الأحيان الاحتفاظ بجهاز Mac Mini منفصل لتوصيل الوكلاء بحساب iMessage. منظور المؤسسة: هل يجب عليك اعتماده؟ بالنسبة للمؤسسات، يمثل NanoClaw 2.0 تحولًا من التجريب التخميني إلى التشغيل الآمن. تاريخيًا، قامت أقسام تكنولوجيا المعلومات بحظر استخدام الوكيل نظرًا لطبيعة الوصول إلى بيانات الاعتماد \"كل شيء أو لا شيء\". من خلال فصل العميل عن السر، يوفر NanoClaw أرضية وسطية تعكس بروتوكولات الأمان الحالية للشركة - وتحديدًا مبدأ الامتياز الأقل. يجب على الشركات أن تأخذ في الاعتبار هذا الإطار إذا كانت تتطلب درجة عالية من التدقيق ولديها احتياجات امتثال صارمة فيما يتعلق بتسريب البيانات. وفقًا لكوهين، لم تكن العديد من الشركات مستعدة لمنح الوكلاء إمكانية الوصول إلى التقويمات أو رسائل البريد الإلكتروني بسبب مخاوف أمنية. يعالج هذا الإطار ذلك من خلال التأكد من أن الوكيل لا يمكنه التصرف من الناحية الهيكلية دون إذن. ستستفيد المؤسسات بشكل خاص من حالات الاستخدام التي تتضمن إجراءات \"عالية المخاطر\". كما هو موضح في لوحة معلومات OneCLI، يمكن للمستخدم تعيين سياسة حيث يمكن للوكيل قراءة رسائل البريد الإلكتروني بحرية ولكن يجب عليه تشغيل مربع حوار موافقة يدوي \"لحذف\" أو \"إرسال\" واحدة. نظرًا لأن NanoClaw يعمل كعملية Node.js واحدة مع حاويات معزولة، فإنه يسمح لفرق أمان المؤسسة بالتحقق من أن البوابة هي المسار الوحيد لحركة المرور الصادرة. تعمل هذه البنية على تحويل الذكاء الاصطناعي من مشغل غير خاضع للرقابة إلى موظف مبتدئ خاضع للإشراف، مما يوفر إنتاجية الوكلاء المستقلين دون التخلي عن السيطرة التنفيذية. في نهاية المطاف، NanoClaw هي توصية للمؤسسات التي ترغب في إنتاجية الوكلاء المستقلين دون مخاطر \"الصندوق الأسود\" لأغلفة LLM التقليدية. إنه يحول الذكاء الاصطناعي من مشغل محتمل مارق إلى موظف مبتدئ ذو قدرة عالية ويطلب دائمًا الإذن قبل الضغط على زر \"إرسال\" أو \"شراء\". نظرًا لأن إعدادات الذكاء الاصطناعي أصبحت هي المعيار، فإن هذه الشراكة تضع مخططًا لكيفية إدارة الثقة في عصر الحكم الذاتي القوى العاملة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/17\/1135416\/how-robots-learn-brief-contemporary-history\/",
            "title_en": "How robots learn: A brief, contemporary history",
            "summary_en": "Roboticists used to dream big but build small. They’d hope to match or exceed the extraordinary complexity of the human body, and then they’d spend their career refining robotic arms for auto plants. Aim for C-3P0; end up with the Roomba. The real ambition for many of these researchers was the robot of science fiction—one that could move through the world, adapt to different environments, and interact safely and helpfully with people. For the socially minded, such a machine could help those with mobility issues, ease loneliness, or do work too dangerous for humans. For the more financially inclined, it would mean a bottomless source of wage-free labor. Either way, a long history of failure left most of Silicon Valley hesitant to bet on helpful robots. That has changed. The machines are yet",
            "body_en": "Roboticists used to dream big but build small. They’d hope to match or exceed the extraordinary complexity of the human body, and then they’d spend their career refining robotic arms for auto plants. Aim for C-3P0; end up with the Roomba. The real ambition for many of these researchers was the robot of science fiction—one that could move through the world, adapt to different environments, and interact safely and helpfully with people. For the socially minded, such a machine could help those with mobility issues, ease loneliness, or do work too dangerous for humans. For the more financially inclined, it would mean a bottomless source of wage-free labor. Either way, a long history of failure left most of Silicon Valley hesitant to bet on helpful robots. That has changed. The machines are yet unbuilt, but the money is flowing: Companies and investors put $6.1 billion into humanoid robots in 2025 alone, four times what was invested in 2024. What happened? A revolution in how machines have learned to interact with the world. Imagine you’d like a pair of robot arms installed in your home purely to do one thing: fold clothes. How would it learn to do that? You could start by writing rules. Check the fabric to figure out how much deformation it can tolerate before tearing. Identify a shirt’s collar. Move the gripper to the left sleeve, lift it, and fold it inward by exactly this distance. Repeat for the right sleeve. If the shirt is rotated, turn the plan accordingly. If the sleeve is twisted, correct it. Very quickly the number of rules explodes, but a complete accounting of them could produce reliable results. This was the original craft of robotics: anticipating every possibility and encoding it in advance. Around 2015, the cutting edge started to do things differently: Build a digital simulation of the robotic arms and the clothes, and give the program a reward signal every time it folds successfully and a ding every time it fails. This way, it gets better by trying all sorts of techniques through trial and error, with millions of iterations—the same way AI got good at playing games . The arrival of ChatGPT in 2022 catalyzed the current boom. Trained on vast amounts of text, large language models work not through trial and error but by learning to predict what word should come next in a sentence. Similar models adapted to robotics were soon able to absorb pictures, sensor readings, and the position of a robot’s joints and predict the next action the machine should take, issuing dozens of motor commands every second. This conceptual shift—to reliance on AI models that ingest large amounts of data—seems to work whether that helpful robot is supposed to talk to people, move through an environment, or even do complicated tasks. And it was paired with other ideas about how to accomplish this new way of learning, like deploying robots even if they aren’t yet perfect so they can learn from the environment they’re meant to work in. Today, Silicon Valley roboticists are dreaming big again. Here’s how that happened. Jibo Jibo A movable social robot carried out conversations long before the age of LLMs. An MIT robotics researcher named Cynthia Breazeal introduced an armless, legless, faceless robot called Jibo to the world in 2014. It looked, in fact, like a lamp. Breazeal’s aim was to create a social robot for families, and the idea pulled in $3.7 million in a crowdsourced funding campaign. Early preorders cost $749. The early Jibo could introduce itself and dance to entertain kids, but that was about it. The vision was always for it to become a sort of embodied assistant that could handle everything from scheduling and emails to telling stories. It earned a number of devoted users, but ultimately the company shut down in 2019. A crowdfunding campaign started in 2014 and drew 4,800 Jibo preorders. COURTESY OF MIT MEDIA LAB In retrospect, one thing that Jibo really needed was better language capabilities. It was competing against Apple’s Siri and Amazon’s Alexa, and all those technologies at the time relied on heavy scripting. In broad terms, when you spoke to them, software would translate your speech into text, analyze what you wanted, and create a response pulled from preapproved snippets. Those snippets could be charming, but they were also repetitive and simply boring — downright robotic. That was especially a challenge for a robot that was supposed to be social and family oriented. What has happened since, of course, is a revolution in how machines can generate language. Voice mode from any leading AI provider is now engaging and impressive, and multiple hardware startups are trying (and failing) to build products that take advantage of it. But that comes with a new risk: While scripted conversations can’t really go off the rails, ones generated by AI certainly can. Some popular AI toys have, for example, talked to kids about how to find matches and knives. OpenAI Dactyl A robot hand trained with simulations tries to model the unpredictability and variation of the real world. By 2018, every leading robotics lab was trying to scrap the old scripted rules and train robots through trial and error. OpenAI tried to train its robotic hand, Dactyl, virtually — with digital models of the hand and of the palm-size cubes Dactyl was supposed to manipulate. The cubes had letters and numbers on their faces; the model might set a task like “Rotate the cube so the red side with the letter O faces upward.” Here’s the problem: A robotic hand might get really good at doing this in its simulated world, but when you take that program and ask it to work on a real version in the real world, the slight differences between the two can cause things to go awry. Colors might be slightly different, or the deformable rubber in the robot’s fingertips could turn out to be stretchier than it was in simulation. Dactyl, part of OpenAI’s first attempt at robotics, was trained in simulation to solve Rubik’s Cubes. COURTESY OF OPENAI The solution is called domain randomization. You essentially create millions of simulated worlds that all vary slightly and randomly from one another. In each one the friction might be less, or the lighting more harsh, or the colors darkened. Exposure to enough of this variation means the robots will be better able to manipulate the cube in the real world. The approach worked on Dactyl, and one year later it was able to use the same core techniques to do something harder: solving Rubik’s Cubes (though it worked only 60% of the time, and just 20% when the scrambles were particularly hard). Still, the limits of simulation mean that this technique plays a far smaller role today than it did in 2018. OpenAI shuttered its robotics effort in 2021 but has recently started the division up again — reportedly focusing on humanoids. Google DeepMind RT-2 Training on images from across the internet helps robots translate language into action. Around 2022, Google’s robotics team was up to some strange things. It spent 17 months handing people robot controllers and filming them doing everything from picking up bags of chips to opening jars. The team ended up cataloguing 700 different tasks. The point was to build and test one of the first large-scale foundation models for robotics. As with large language models, the idea was to input lots of text, tokenize it into a format an algorithm could work with, and then generate an output. Google’s RT-1 received input about what the robot was looking at and how the many parts of the robotic arm were positioned; then it took an instruction and translated it into motor commands to move the robot. When it had seen tasks before, it carried out 97% of them successfully; it succeeded at 76% of the instructions it hadn’t seen before. The model RT-2, for Robotic Transformer 2, incorporated internet data to help robots process what they were seeing. COURTESY OF GOOGLE DEEPMIND The second iteration, RT-2, came out the following year and went even further. Instead of training on data specific to robotics, it went broad: It trained on more general images from across the internet, like the vision-language models lots of researchers were working on at the time. That allowed the robot to interpret where certain objects were in the scene. “All these other things were unlocked,” says Kanishka Rao, a roboticist at Google DeepMind who led work on both iterations. “We could do things now like ‘Put the Coke can near the picture of Taylor Swift.’” In 2025, Google DeepMind further fused the worlds of large language models and robotics, releasing a Gemini Robotics model with improved ability to understand commands in natural language. Covariant RFM-1 An AI model that allows robotic arms to act like coworkers. In 2017, before OpenAI shuttered its first robotics team, a group of its engineers spun out a project called Covariant, aiming to build not sci-fi humanoids but the most pragmatic of all robots: an arm that could pick up and move things in warehouses. After building a system based on foundation models similar to Google’s, Covariant deployed this platform in warehouses like those operated by Crate & Barrel and treated it as a data collection pipeline. By 2024, Covariant had released a robotics model, RFM-1, that you could interact with like a coworker. If you showed an arm many sleeves of tennis balls, for example, you could then instruct it to move each sleeve to a separate area. And the robot could respond — perhaps predicting that it wouldn’t be able to get a good grip on the item and then asking for advice on which particular suction cups it should use. This sort of thing had been done in experiments, but Covariant was launching it at significant scale. The company now had cameras and data collection machines in every customer location, feeding back even more data for the model to train on. A Covariant robot demonstrates “induction”—the common warehouse task of placing objects on sorters or conveyors. COURTESY OF COVARIANT It wasn’t perfect. In a demo in March 2024 with an array of kitchen items, the robot struggled when it was asked to “return the banana” to its original location. It picked up a sponge, then an apple, then a host of other items before it finally accomplished the task. It “doesn’t understand the new concept” of retracing its steps, cofounder Peter Chen told me at the time. “But it’s a good example — it might not work well yet in the places where you don’t have good training data.” Chen and fellow founder Pieter Abbeel were soon hired by Amazon, which is currently licensing Covariant’s robotics model (Amazon did not respond to questions about how it’s being used, but the company runs an estimated 1,300 warehouses in the US alone). Agility Robotics Digit Companies are putting this humanoid to the test in real-world settings. The new investment dollars flowing to robotics startups are aimed largely at robots shaped not like lamps or arms but like people. Humanoid robots are supposed to be able to seamlessly enter the spaces and jobs where humans currently work, avoiding the need to retool assembly lines to accommodate new shapes such as giant arms. It’s easier said than done. In the rare cases where humanoids appear in real warehouses, they’re often confined to test zones and pilot programs. Amazon and other companies are using Digit to help move shipping totes. COURTESY OF AGILITY ROBOTICS That said, Agility’s humanoid Digit appears to be doing some real work. The design — with exposed joints and a distinctly unhuman head — is driven more by function than by sci-fi aesthetics. Amazon, Toyota, and GXO (a logistics giant with customers like Apple and Nike) have all deployed it — making it one of the first examples of a humanoid robot that companies see as providing actual cost savings rather than novelty. Their Digits spend their days picking up, moving, and stacking shipping totes. The current Digit is still a long way from the humanlike helper Silicon Valley is betting on, though. It can lift only 35 pounds, for example — and every time Agility makes Digit stronger, its battery gets heavier and it has to recharge more often. And standards organizations say humanoids need stricter safety rules than most industrial robots, because they’re designed to be mobile and spend time in proximity to people. But Digit shows that this revolution in robot training isn’t converging on a single method. Agility relies on simulation techniques like those OpenAI used to train its hand, and the company has worked with Google’s Gemini models to help its robots adapt to new environments. That’s where more than a decade of experiments have gotten the industry: Now it’s building big.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/jibo.jpg?w=1604",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/17\/1135416\/how-robots-learn-brief-contemporary-history\/",
            "date": "2026-04-17",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "كيف تتعلم الروبوتات: تاريخ موجز ومعاصر",
            "summary_ar": "اعتاد علماء الروبوتات أن يحلموا بأحلام كبيرة ولكنهم يبنون أشياء صغيرة. كانوا يأملون في مجاراة التعقيد الاستثنائي للجسم البشري أو تجاوزه، وبعد ذلك سيقضون حياتهم المهنية في تحسين الأذرع الآلية لمصانع السيارات. تهدف إلى C-3P0؛ ينتهي مع Roomba. كان الطموح الحقيقي للعديد من هؤلاء الباحثين هو روبوت الخيال العلمي، الذي يمكنه التحرك عبر العالم، والتكيف مع البيئات المختلفة، والتفاعل بأمان ومساعدة مع الناس. بالنسبة للأشخاص ذوي التفكير الاجتماعي، يمكن لمثل هذه الآلة أن تساعد أولئك الذين يعانون من مشاكل في الحركة، أو تخفيف الشعور بالوحدة، أو القيام بأعمال تشكل خطورة كبيرة على البشر. وبالنسبة للأشخاص الأكثر ميلا ماليا، فإن ذلك يعني مصدرا لا نهاية له للعمل بدون أجر. وفي كلتا الحالتين، فإن تاريخاً طويلاً من الفشل جعل معظم العاملين في وادي السيليكون مترددين في الرهان على الروبوتات المفيدة. لقد تغير ذلك. الآلات هي حتى الآن",
            "body_ar": "اعتاد علماء الروبوتات أن يحلموا بأحلام كبيرة ولكنهم يبنون أشياء صغيرة. كانوا يأملون في مجاراة التعقيد الاستثنائي للجسم البشري أو تجاوزه، وبعد ذلك سيقضون حياتهم المهنية في تحسين الأذرع الآلية لمصانع السيارات. تهدف إلى C-3P0؛ ينتهي مع Roomba. كان الطموح الحقيقي للعديد من هؤلاء الباحثين هو روبوت الخيال العلمي، الذي يمكنه التحرك عبر العالم، والتكيف مع البيئات المختلفة، والتفاعل بأمان ومساعدة مع الناس. بالنسبة للأشخاص ذوي التفكير الاجتماعي، يمكن لمثل هذه الآلة أن تساعد أولئك الذين يعانون من مشاكل في الحركة، أو تخفيف الشعور بالوحدة، أو القيام بأعمال تشكل خطورة كبيرة على البشر. وبالنسبة للأشخاص الأكثر ميلا ماليا، فإن ذلك يعني مصدرا لا نهاية له للعمل بدون أجر. وفي كلتا الحالتين، فإن تاريخاً طويلاً من الفشل جعل معظم العاملين في وادي السيليكون مترددين في الرهان على الروبوتات المفيدة. لقد تغير ذلك. لم يتم بناء الآلات بعد، لكن الأموال تتدفق: استثمرت الشركات والمستثمرون 6.1 مليار دولار في الروبوتات البشرية في عام 2025 وحده، أي أربعة أضعاف ما تم استثماره في عام 2024. ماذا حدث؟ ثورة في كيفية تعلم الآلات للتفاعل مع العالم. تخيل أنك ترغب في تثبيت زوج من أذرع الروبوت في منزلك للقيام بشيء واحد فقط: طي الملابس. كيف يمكن أن تتعلم أن تفعل ذلك؟ يمكنك البدء بكتابة القواعد. افحص القماش لمعرفة مقدار التشوه الذي يمكن أن يتحمله قبل التمزق. التعرف على طوق القميص. انقل المقبض إلى الكم الأيسر، وارفعه، ثم قم بطيه إلى الداخل بهذه المسافة بالضبط. كرر للكم الأيمن. إذا تم تدوير القميص، اقلب الخطة وفقًا لذلك. إذا كانت الأكمام ملتوية، قم بتصحيحها. ويتزايد عدد القواعد بسرعة كبيرة، ولكن المحاسبة الكاملة لها يمكن أن تؤدي إلى نتائج موثوقة. كانت هذه هي الحرفة الأصلية للروبوتات: توقع كل الاحتمالات وترميزها مسبقًا. في عام 2015 تقريبًا، بدأت التكنولوجيا المتطورة في القيام بالأشياء بشكل مختلف: بناء محاكاة رقمية للأذرع الروبوتية والملابس، وإعطاء البرنامج إشارة مكافأة في كل مرة يتم طيها بنجاح، وقرعة في كل مرة يفشل فيها. وبهذه الطريقة، يتحسن الأمر من خلال تجربة جميع أنواع التقنيات من خلال التجربة والخطأ، مع ملايين التكرارات - بنفس الطريقة التي أصبح بها الذكاء الاصطناعي جيدًا في ممارسة الألعاب. أدى وصول ChatGPT في عام 2022 إلى تحفيز الطفرة الحالية. بعد تدريبها على كميات هائلة من النصوص، لا تعمل نماذج اللغة الكبيرة من خلال التجربة والخطأ، بل من خلال تعلم التنبؤ بالكلمة التي يجب أن تأتي بعد ذلك في الجملة. وسرعان ما أصبحت النماذج المماثلة التي تم تكييفها مع الروبوتات قادرة على استيعاب الصور وقراءات أجهزة الاستشعار وموضع مفاصل الروبوت والتنبؤ بالإجراء التالي الذي يجب أن تتخذه الآلة، وإصدار العشرات من الأوامر الحركية في كل ثانية. يبدو أن هذا التحول المفاهيمي - إلى الاعتماد على نماذج الذكاء الاصطناعي التي تستوعب كميات كبيرة من البيانات - ينجح سواء كان من المفترض أن يتحدث هذا الروبوت المفيد مع الناس، أو يتحرك عبر بيئة، أو حتى يقوم بمهام معقدة. وقد تم دمجها مع أفكار أخرى حول كيفية تحقيق هذه الطريقة الجديدة للتعلم، مثل نشر الروبوتات حتى لو لم تكن مثالية بعد حتى تتمكن من التعلم من البيئة التي من المفترض أن تعمل فيها. واليوم، أصبح علماء الروبوتات في وادي السيليكون يحلمون أحلامًا كبيرة مرة أخرى. وإليك كيف حدث ذلك. Jibo Jibo هو روبوت اجتماعي متحرك أجرى محادثات قبل وقت طويل من عصر ماجستير إدارة الأعمال. قدمت باحثة الروبوتات في معهد ماساتشوستس للتكنولوجيا، تدعى سينثيا بريزيل، روبوتًا بلا ذراعين أو أرجل أو وجه يسمى \"جيبو\" إلى العالم في عام 2014. وكان يبدو في الواقع مثل المصباح. كان هدف Breazeal هو إنشاء روبوت اجتماعي للعائلات، وقد حصلت الفكرة على 3.7 مليون دولار في حملة تمويل جماعية. تبلغ تكلفة الطلبات المسبقة 749 دولارًا. كان بإمكان فرقة جيبو المبكرة تقديم نفسها والرقص للترفيه عن الأطفال، لكن هذا كان كل ما في الأمر. كانت الرؤية دائمًا هي أن تصبح نوعًا من المساعد المتجسد الذي يمكنه التعامل مع كل شيء بدءًا من الجدولة ورسائل البريد الإلكتروني وحتى سرد القصص. لقد اكتسبت عددًا من المستخدمين المخلصين، لكن الشركة أغلقت أبوابها في نهاية المطاف في عام 2019. وبدأت حملة تمويل جماعي في عام 2014 واجتذبت 4800 طلب مسبق من Jibo. بإذن من مختبر الوسائط التابع لمعهد ماساتشوستس للتكنولوجيا (MIT MEDIA LAB) بالنظر إلى الماضي، كان الشيء الوحيد الذي احتاجه جيبو حقًا هو القدرات اللغوية الأفضل. وكانت تنافس سيري من شركة أبل وأليكسا من أمازون، وكانت كل تلك التقنيات في ذلك الوقت تعتمد على البرمجة النصية الثقيلة. بشكل عام، عندما تتحدث إليهم، يقوم البرنامج بترجمة خطابك إلى نص، وتحليل ما تريده، وإنشاء استجابة مأخوذة من مقتطفات تمت الموافقة عليها مسبقًا. يمكن أن تكون تلك المقتطفات ساحرة، لكنها كانت أيضًا متكررة ومملة ببساطة - آلية تمامًا. كان هذا تحديًا خاصًا للروبوت الذي كان من المفترض أن يكون ذا توجه اجتماعي وعائلي. وما حدث منذ ذلك الحين، بالطبع، هو ثورة في كيفية قيام الآلات بتوليد اللغة. أصبح الوضع الصوتي من أي مزود رائد للذكاء الاصطناعي الآن جذابًا ومثيرًا للإعجاب، وتحاول العديد من الشركات الناشئة في مجال الأجهزة (وتفشل) في إنشاء منتجات تستفيد منه. ولكن هذا يأتي مع خطر جديد: في حين أن المحادثات المكتوبة لا يمكن أن تخرج عن مسارها، فإن المحادثات التي ينشئها الذكاء الاصطناعي يمكنها ذلك بالتأكيد. على سبيل المثال، تحدثت بعض ألعاب الذكاء الاصطناعي الشهيرة مع الأطفال حول كيفية العثور على أعواد الثقاب والسكاكين. OpenAI Dactyl تحاول يد روبوتية مدربة على عمليات المحاكاة نمذجة عدم القدرة على التنبؤ والتنوع في العالم الحقيقي. بحلول عام 2018، كان كل مختبر روبوتات رائد يحاول إلغاء القواعد المكتوبة القديمة وتدريب الروبوتات من خلال التجربة والخطأ. حاولت شركة OpenAI تدريب يدها الروبوتية Dactyl افتراضيًا، باستخدام نماذج رقمية لليد ومكعبات بحجم كف اليد كان من المفترض أن تتلاعب بها Dactyl. وكانت المكعبات تحمل حروفًا وأرقامًا على وجوهها؛ قد يعين النموذج مهمة مثل \"قم بتدوير المكعب بحيث يكون الجانب الأحمر الذي يحمل الحرف O متجهًا للأعلى\". هنا تكمن المشكلة: قد تكون اليد الآلية جيدة جدًا في القيام بذلك في عالمها المحاكى، ولكن عندما تأخذ هذا البرنامج وتطلب منه العمل على نسخة حقيقية في العالم الحقيقي، فإن الاختلافات الطفيفة بين الاثنين يمكن أن تتسبب في انحراف الأمور. قد تكون الألوان مختلفة قليلاً، أو قد يتبين أن المطاط القابل للتشوه الموجود في أطراف أصابع الروبوت أكثر مرونة مما كان عليه في المحاكاة. تم تدريب Dactyl، وهو جزء من محاولة OpenAI الأولى في مجال الروبوتات، على المحاكاة لحل مكعبات روبيك. بإذن من OPENAI الحل يسمى التوزيع العشوائي للمجال. أنت تقوم بشكل أساسي بإنشاء الملايين من العوالم المحاكاة التي تختلف جميعها قليلاً وبشكل عشوائي عن بعضها البعض. وفي كل منها قد يكون الاحتكاك أقل، أو الإضاءة أكثر قسوة، أو الألوان داكنة. إن التعرض لما يكفي من هذا الاختلاف يعني أن الروبوتات ستكون أكثر قدرة على التعامل مع المكعب في العالم الحقيقي. نجح هذا النهج مع شركة Dactyl، وبعد عام واحد كان قادرًا على استخدام نفس التقنيات الأساسية للقيام بشيء أكثر صعوبة: حل مكعبات روبيك (على الرغم من أنه نجح في 60% فقط من الوقت، و20% فقط عندما كانت عمليات التدافع صعبة بشكل خاص). ومع ذلك، فإن حدود المحاكاة تعني أن هذه التقنية تلعب اليوم دورًا أصغر بكثير مما كانت عليه في عام 2018. وأوقفت شركة OpenAI جهودها في مجال الروبوتات في عام 2021، لكنها بدأت مؤخرًا التقسيم مرة أخرى، حيث يقال إنها تركز على الروبوتات. يساعد التدريب على Google DeepMind RT-2 على الصور عبر الإنترنت الروبوتات على ترجمة اللغة إلى أفعال. بحلول عام 2022 تقريبًا، كان فريق الروبوتات في Google مستعدًا لبعض الأشياء الغريبة. أمضت 17 شهرًا في تسليم الأشخاص أجهزة التحكم الآلية وتصويرهم وهم يقومون بكل شيء بدءًا من التقاط أكياس الرقائق وحتى فتح الجرار. وانتهى الفريق بفهرسة 700 مهمة مختلفة. كان الهدف هو بناء واختبار أحد النماذج الأساسية واسعة النطاق للروبوتات. كما هو الحال مع نماذج اللغات الكبيرة، كانت الفكرة هي إدخال الكثير من النصوص، ورمزها إلى تنسيق يمكن أن تعمل به الخوارزمية، ثم إنشاء مخرجات. تلقى جهاز RT-1 من Google مدخلات حول ما كان ينظر إليه الروبوت وكيفية وضع الأجزاء العديدة من الذراع الآلية؛ ثم أخذ تعليمات وترجمها إلى أوامر حركية لتحريك الروبوت. وعندما رأت المهام من قبل، فقد نفذت 97% منها بنجاح؛ لقد نجح في 76% من التعليمات التي لم يراها من قبل. قام نموذج RT-2، الخاص بـ Robotic Transformer 2، بدمج بيانات الإنترنت لمساعدة الروبوتات على معالجة ما يرونه. بإذن من GOOGLE DEEPMIND صدر الإصدار الثاني، RT-2، في العام التالي وذهب إلى أبعد من ذلك. وبدلاً من التدريب على البيانات الخاصة بالروبوتات، توسع البرنامج: فقد تدرب على صور أكثر عمومية من الإنترنت، مثل نماذج لغة الرؤية التي كان الكثير من الباحثين يعملون عليها في ذلك الوقت. سمح ذلك للروبوت بتفسير مكان وجود أشياء معينة في المشهد. يقول كانيشكا راو، عالم الروبوتات في Google DeepMind الذي قاد العمل في كلا التكرارين: \"لقد تم فتح كل هذه الأشياء الأخرى\". \"يمكننا الآن أن نفعل أشياء مثل \"ضع علبة الكولا بالقرب من صورة تايلور سويفت\". في عام 2025، قامت Google DeepMind بدمج عوالم نماذج اللغات الكبيرة والروبوتات، وأطلقت نموذج Gemini Robotics مع قدرة محسنة على فهم الأوامر باللغة الطبيعية. Covariant RFM-1 نموذج للذكاء الاصطناعي يسمح للأذرع الآلية بالتصرف مثل زملاء العمل. في عام 2017، قبل أن تغلق شركة OpenAI أول فريق روبوتات لها، أطلقت مجموعة من مهندسيها مشروعًا يسمى Covariant، لا يهدف إلى بناء روبوتات بشرية من الخيال العلمي، بل الروبوتات الأكثر واقعية: ذراع يمكنها التقاط ونقل الأشياء في المستودعات. بعد بناء نظام يعتمد على نماذج أساسية مشابهة لنماذج Google، قامت Covariant بنشر هذه المنصة في مستودعات مثل تلك التي تديرها شركة Crate & Barrel وتعاملت معها باعتبارها خط أنابيب لجمع البيانات. بحلول عام 2024، أصدرت شركة Covariant نموذجًا للروبوتات، RFM-1، والذي يمكنك التفاعل معه مثل زميل العمل. إذا أظهرت لذراعك عدة أكمام من كرات التنس، على سبيل المثال، فيمكنك بعد ذلك أن تطلب منها تحريك كل كم إلى منطقة منفصلة. ويمكن للروبوت أن يستجيب - ربما يتنبأ بأنه لن يتمكن من الإمساك بالشيء بشكل جيد ثم يطلب النصيحة بشأن أكواب الشفط المحددة التي يجب أن يستخدمها. وقد تم تنفيذ هذا النوع من الأشياء في التجارب، ولكن شركة Covariant كانت تطلقه على نطاق واسع. تمتلك الشركة الآن كاميرات وآلات لجمع البيانات في كل موقع من مواقع العملاء، مما يوفر المزيد من البيانات للنموذج ليتم التدريب عليه. يعرض الروبوت المتغير عملية \"الحث\" - وهي مهمة المستودع الشائعة المتمثلة في وضع الأشياء على أجهزة الفرز أو الناقلات. مجاملة من COVARIANT لم تكن مثالية. وفي عرض تجريبي في مارس 2024 مع مجموعة من أدوات المطبخ، واجه الروبوت صعوبات عندما طُلب منه \"إعادة الموز\" إلى موقعه الأصلي. التقطت إسفنجة، ثم تفاحة، ثم مجموعة من العناصر الأخرى قبل أن تنجز المهمة في النهاية. إنها \"لا تفهم المفهوم الجديد\" المتمثل في إعادة تتبع خطواتها، كما أخبرني المؤسس المشارك بيتر تشين في ذلك الوقت. \"لكنه مثال جيد - قد لا يعمل بشكل جيد حتى الآن في الأماكن التي لا تتوفر فيها بيانات تدريب جيدة.\" وسرعان ما تم تعيين تشين وزميله المؤسس بيتر أبيل من قبل شركة أمازون، التي تقوم حاليا بترخيص نموذج الروبوتات الخاص بشركة كوفاريانت (لم ترد أمازون على أسئلة حول كيفية استخدامه، ولكن الشركة تدير ما يقدر بنحو 1300 مستودع في الولايات المتحدة وحدها). تقوم شركات Agility Robotics Digit بإخضاع هذا الروبوت للاختبار في بيئات العالم الحقيقي. إن الدولارات الاستثمارية الجديدة المتدفقة على الشركات الناشئة في مجال الروبوتات تستهدف إلى حد كبير الروبوتات التي لا تشبه المصابيح أو الأذرع، بل تشبه البشر. من المفترض أن تكون الروبوتات البشرية قادرة على الدخول بسلاسة إلى المساحات والوظائف التي يعمل فيها البشر حاليًا، وتجنب الحاجة إلى إعادة تجهيز خطوط التجميع لاستيعاب الأشكال الجديدة مثل الأذرع العملاقة. إن القول أسهل من الفعل. في الحالات النادرة التي تظهر فيها الكائنات البشرية في مستودعات حقيقية، غالبًا ما يقتصر الأمر على مناطق الاختبار والبرامج التجريبية. تستخدم أمازون وشركات أخرى Digit للمساعدة في نقل حقائب الشحن. ومع ذلك، يبدو أن الرقم البشري الخاص بشركة Agility يقوم ببعض العمل الحقيقي. التصميم - ذو المفاصل المكشوفة والرأس غير البشري بشكل واضح - مدفوع بالوظيفة أكثر من جماليات الخيال العلمي. وقد قامت شركات أمازون، وتويوتا، وجي إكس أو (شركة لوجستية عملاقة لديها عملاء مثل أبل ونايكي) بنشر هذا الروبوت، مما يجعله واحدًا من الأمثلة الأولى للروبوت البشري الذي ترى الشركات أنه يوفر وفورات فعلية في التكاليف بدلاً من الابتكار. تقضي أرقامهم أيامهم في التقاط ونقل وتكديس حقائب الشحن. ومع ذلك، لا يزال Digit الحالي بعيدًا عن المساعد البشري الذي يراهن عليه وادي السيليكون. على سبيل المثال، يمكنها رفع 35 رطلاً فقط - وفي كل مرة تعمل فيها Agility على تقوية Digit، تصبح بطاريتها أثقل ويجب إعادة شحنها كثيرًا. وتقول منظمات المعايير إن الروبوتات البشرية تحتاج إلى قواعد سلامة أكثر صرامة من معظم الروبوتات الصناعية، لأنها مصممة لتكون متنقلة وتقضي وقتًا بالقرب من الناس. لكن ديجيت يوضح أن هذه الثورة في تدريب الروبوتات لا تتقارب في طريقة واحدة. وتعتمد أجيليتي على تقنيات المحاكاة مثل تلك التي تستخدمها OpenAI لتدريب يدها، وقد عملت الشركة مع نماذج Gemini من Google لمساعدة الروبوتات الخاصة بها على التكيف مع البيئات الجديدة. هذا هو المكان الذي أوصلت فيه هذه الصناعة إلى أكثر من عقد من التجارب: وهي الآن في طور البناء كبير.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/salesforce-launches-headless-360-to-turn-its-entire-platform-into-infrastructure-for-ai-agents",
            "title_en": "Salesforce launches Headless 360 to turn its entire platform into infrastructure for AI agents",
            "summary_en": "Salesforce on Wednesday unveiled the most ambitious architectural transformation in its 27-year history, introducing \" Headless 360 \" — a sweeping initiative that exposes every capability in its platform as an API, MCP tool, or CLI command so AI agents can operate the entire system without ever opening a browser. The announcement, made at the company's annual TDX developer conference in San Francisco, ships more than 100 new tools and skills immediately available to developers. It marks a decisive response to the existential question hanging over enterprise software: In a world where AI agents can reason, plan, and execute, does a company still need a CRM with a graphical interface? Salesforce's answer: No — and that's exactly the point. \"We made a decision two and a half ye",
            "body_en": "Salesforce on Wednesday unveiled the most ambitious architectural transformation in its 27-year history, introducing \" Headless 360 \" — a sweeping initiative that exposes every capability in its platform as an API, MCP tool, or CLI command so AI agents can operate the entire system without ever opening a browser. The announcement, made at the company's annual TDX developer conference in San Francisco, ships more than 100 new tools and skills immediately available to developers. It marks a decisive response to the existential question hanging over enterprise software: In a world where AI agents can reason, plan, and execute, does a company still need a CRM with a graphical interface? Salesforce's answer: No — and that's exactly the point. \"We made a decision two and a half years ago: Rebuild Salesforce for agents,\" the company said in its announcement. \"Instead of burying capabilities behind a UI, expose them so the entire platform will be programmable and accessible from anywhere.\" The timing is anything but coincidental. Salesforce finds itself navigating one of the most turbulent periods in enterprise software history — a sector-wide sell-off that has pushed the iShares Expanded Tech-Software Sector ETF down roughly 28% from its September peak. The fear driving the decline: that AI, particularly large language models from Anthropic, OpenAI, and others, could render traditional SaaS business models obsolete. Jayesh Govindarjan , EVP of Salesforce and one of the key architects behind the Headless 360 initiative, described the announcement as rooted not in marketing theory but in hard-won lessons from deploying agents with thousands of enterprise customers. \"The problem that emerged is the lifecycle of building an agentic system for every one of our customers on any stack, whether it's ours or somebody else's,\" Govindarjan told VentureBeat in an exclusive interview. \"The challenge that they face is very much the software development challenge. How do I build an agent? That's only step one.\" More than 100 new tools give coding agents full access to the Salesforce platform for the first time Salesforce Headless 360 rests on three pillars that collectively represent the company's attempt to redefine what an enterprise platform looks like in the agentic era. The first pillar — build any way you want — delivers more than 60 new MCP (Model Context Protocol) tools and 30-plus preconfigured coding skills that give external coding agents like Claude Code, Cursor, Codex, and Windsurf complete, live access to a customer's entire Salesforce org, including data, workflows, and business logic. Developers no longer need to work inside Salesforce's own IDE. They can direct AI coding agents from any terminal to build, deploy, and manage Salesforce applications. Agentforce Vibes 2.0 , the company's own native development environment, now includes what it calls an \"open agent harness\" supporting both the Anthropic agent SDK and the OpenAI agents SDK . As demonstrated during the keynote, developers can choose between Claude Code and OpenAI agents depending on the task, with the harness dynamically adjusting available capabilities based on the selected agent. The environment also adds multi-model support, including Claude Sonnet and GPT-5, along with full org awareness from the start. A significant technical addition is native React support on the Salesforce platform . During the keynote demo, presenters built a fully functional partner service application using React — not Salesforce's own Lightning framework — that connected to org metadata via GraphQL while inheriting all platform security primitives. This opens up dramatically more expressive front-end possibilities for developers who want complete control over the visual layer. The second pillar — deploy on any surface — centers on the new Agentforce Experience Layer , which separates what an agent does from how it appears, rendering rich interactive components natively across Slack, mobile apps, Microsoft Teams, ChatGPT, Claude, Gemini, and any client supporting MCP apps. During the keynote, presenters defined an experience once and deployed it across six different surfaces without writing surface-specific code. The philosophical shift is significant: rather than pulling customers into a Salesforce UI, enterprises push branded, interactive agent experiences into whatever workspace their customers already inhabit. The third pillar — build agents you can trust at scale — introduces an entirely new suite of lifecycle management tools spanning testing, evaluation, experimentation, observation, and orchestration. Agent Script , the company's new domain-specific language for defining agent behavior deterministically, is now generally available and open-sourced. A new Testing Center surfaces logic gaps and policy violations before deployment. Custom Scoring Evals let enterprises define what \"good\" looks like for their specific use case. And a new A\/B Testing API enables running multiple agent versions against real traffic simultaneously. Why enterprise customers kept breaking their own AI agents — and how Salesforce redesigned its tooling in response Perhaps the most technically significant — and candid — portion of VentureBeat's interview with Govindarjan addressed the fundamental engineering tension at the heart of enterprise AI: agents are probabilistic systems, but enterprises demand deterministic outcomes. Govindarjan explained that early Agentforce customers, after getting agents into production through \"sheer hard work,\" discovered a painful reality. \"They were afraid to make changes to these agents, because the whole system was brittle,\" he said. \"You make one change and you don't know whether it's going to work 100% of the time. All the testing you did needs to be redone.\" This brittleness problem drove the creation of Agent Script , which Govindarjan described as a programming language that \"brings together the determinism that's in programming languages with the inherent flexibility in probabilistic systems that LLMs provide.\" The language functions as a single flat file — versionable, auditable — that defines a state machine governing how an agent behaves. Within that machine, enterprises specify which steps must follow explicit business logic and which can reason freely using LLM capabilities. Salesforce open-sourced Agent Script this week, and Govindarjan noted that Claude Code can already generate it natively because of its clean documentation. The approach stands in sharp contrast to the \"vibe coding\" movement gaining traction elsewhere in the industry. As the Wall Street Journal recently reported, some companies are now attempting to vibe-code entire CRM replacements — a trend Salesforce's Headless 360 directly addresses by making its own platform the most agent-friendly substrate available. Govindarjan described the tooling as a product of Salesforce's own internal practice. \"We needed these tools to make our customers successful. Then our FDEs needed them. We hardened them, and then we gave them to our customers,\" he told VentureBeat. In other words, Salesforce productized its own pain. Inside the two competing AI agent architectures Salesforce says every enterprise will need Govindarjan drew a revealing distinction between two fundamentally different agentic architectures emerging in the enterprise — one for customer-facing interactions and one he linked to what he called the \" Ralph Wiggum loop .\" Customer-facing agents — those deployed to interact with end customers for sales or service — demand tight deterministic control. \"Before customers are willing to put these agents in front of their customers, they want to make sure that it follows a certain paradigm — a certain brand set of rules,\" Govindarjan told VentureBeat. Agent Script encodes these as a static graph — a defined funnel of steps with LLM reasoning embedded within each step. The \" Ralph Wiggum loop ,\" by contrast, represents the opposite end of the spectrum: a dynamic graph that unrolls at runtime, where the agent autonomously decides its next step based on what it learned in the previous step, killing dead-end paths and spawning new ones until the task is complete. This architecture, Govindarjan said, manifests primarily in employee-facing scenarios — developers using coding agents, salespeople running deep research loops, marketers generating campaign materials — where an expert human reviews the output before it ships. \"Ralph Wiggum loops are great for employee-facing because employees are, in essence, experts at something,\" Govindarjan explained. \"Developers are experts at development, salespeople are experts at sales.\" The critical technical insight: both architectures run on the same underlying platform and the same graph engine. \"This is a dynamic graph. This is a static graph,\" he said. \"It's all a graph underneath.\" That unified runtime — spanning the spectrum from tightly controlled customer interactions to free-form autonomous loops — may be Salesforce's most important technical bet, sparing enterprises from maintaining separate platforms for different agent modalities. Salesforce hedges its bets on MCP while opening its ecosystem to every major AI model and tool Salesforce's embrace of openness at TDX was striking. The platform now integrates with OpenAI , Anthropic , Google Gemini , Meta's LLaMA , and Mistral AI models. The open agent harness supports third-party agent SDKs. MCP tools work from any coding environment. And the new AgentExchange marketplace unifies 10,000 Salesforce apps, 2,600-plus Slack apps, and 1,000-plus Agentforce agents, tools, and MCP servers from partners including Google, Docusign, and Notion, backed by a new $50 million AgentExchange Builders Initiative. Yet Govindarjan offered a surprisingly candid assessment of MCP itself — the protocol Anthropic created that has become a de facto standard for agent-tool communication. \"To be very honest, not at all sure\" that MCP will remain the standard, he told VentureBeat. \"When MCP first came along as a protocol, a lot of us engineers felt that it was a wrapper on top of a really well-written CLI — which now it is. A lot of people are saying that maybe CLI is just as good, if not better.\" His approach: pragmatic flexibility. \"We're not wedded to one or the other. We just use the best, and often we will offer all three. We offer an API, we offer a CLI, we offer an MCP.\" This hedging explains the \"Headless 360\" naming itself — rather than betting on a single protocol, Salesforce exposes every capability across all three access patterns, insulating itself against protocol shifts. Engine , the B2B travel management company featured prominently in the keynote demos, offered a real-world proof point for the open ecosystem approach. The company built its customer service agent, Ava, in 12 days using Agentforce and now handles 50% of customer cases autonomously. Engine runs five agents across customer-facing and employee-facing functions, with Data 360 at the heart of its infrastructure and Slack as its primary workspace. \"CSAT goes up, costs to deliver go down. Customers are happier. We're getting them answers faster. What's the trade off? There's no trade off,\" an Engine executive said during the keynote. Underpinning all of it is a shift in how Salesforce gets paid. The company is moving from per-seat licensing to consumption-based pricing for Agentforce — a transition Govindarjan described as \"a business model change and innovation for us.\" It's a tacit acknowledgment that when agents, not humans, are doing the work, charging per user no longer makes sense. Salesforce isn't defending the old model — it's dismantling it and betting the company on what comes next Govindarjan framed the company's evolution in architectural terms. Salesforce has organized its platform around four layers: a system of context ( Data 360 ), a system of work ( Customer 360 apps ), a system of agency ( Agentforce ), and a system of engagement (Slack and other surfaces). Headless 360 opens every layer via programmable endpoints. \"What you saw today, what we're doing now, is we're opening up every single layer, right, with MCP tools, so we can go build the agentic experiences that are needed,\" Govindarjan told VentureBeat. \"I think you're seeing a company transforming itself.\" Whether that transformation succeeds will depend on execution across thousands of customer deployments, the staying power of MCP and related protocols, and the fundamental question of whether incumbent enterprise platforms can move fast enough to remain relevant when AI agents can increasingly build new systems from scratch. The software sector's bear market, the financial pressures bearing down on the entire industry, and the breathtaking pace of LLM improvement all conspire to make this one of the highest-stakes bets in enterprise technology. But there is an irony embedded in Salesforce's predicament that Headless 360 makes explicit. The very AI capabilities that threaten to displace traditional software are the same capabilities that Salesforce now harnesses to rebuild itself. Every coding agent that could theoretically replace a CRM is now, through Headless 360, a coding agent that builds on top of one. The company is not arguing that agents won't change the game. It's arguing that decades of accumulated enterprise data, workflows, trust layers, and institutional logic give it something no coding agent can generate from a blank prompt. As Benioff declared on CNBC's Mad Money in March: \"The software industry is still alive, well and growing.\" Headless 360 is his company's most forceful attempt to prove him right — by tearing down the walls of the very platform that made Salesforce famous and inviting every agent in the world to walk through the front door. Parker Harris, Salesforce's co-founder, captured the bet most succinctly in a question he posed last month: \"Why should you ever log into Salesforce again?\" If Headless 360 works as designed, the answer is: You shouldn't have to. And that, Salesforce is wagering, is precisely what will keep you paying for it.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/20o4KbpCNvhGDbjACvvc46\/33584beeede6af5fbfc2d328076a0e64\/nuneybits_Vector_art_of_Salesforce_Tower_bc4b6995-07bd-4746-97a9-9dfda2ab92d0.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/salesforce-launches-headless-360-to-turn-its-entire-platform-into-infrastructure-for-ai-agents",
            "date": "2026-04-16",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تطلق Salesforce برنامج Headless 360 لتحويل نظامها الأساسي بالكامل إلى بنية تحتية لعملاء الذكاء الاصطناعي",
            "summary_ar": "كشفت Salesforce يوم الأربعاء عن التحول المعماري الأكثر طموحًا في تاريخها الممتد 27 عامًا، حيث قدمت \"Headless 360\" - وهي مبادرة شاملة تكشف كل قدرة في نظامها الأساسي كواجهة برمجة التطبيقات (API) أو أداة MCP أو أمر CLI حتى يتمكن وكلاء الذكاء الاصطناعي من تشغيل النظام بأكمله دون فتح متصفح على الإطلاق. هذا الإعلان، الذي تم الإعلان عنه في مؤتمر مطوري TDX السنوي للشركة في سان فرانسيسكو، يشحن أكثر من 100 أداة ومهارة جديدة متاحة على الفور للمطورين. إنه يمثل استجابة حاسمة للسؤال الوجودي الذي يخيم على برمجيات المؤسسة: في عالم يستطيع فيه وكلاء الذكاء الاصطناعي التفكير والتخطيط والتنفيذ، هل لا تزال الشركة بحاجة إلى إدارة علاقات العملاء (CRM) ذات واجهة رسومية؟ إجابة Salesforce: لا، وهذا هو الهدف بالضبط. \"لقد اتخذنا القرار الثاني والنصف أنتم",
            "body_ar": "كشفت Salesforce يوم الأربعاء عن التحول المعماري الأكثر طموحًا في تاريخها الممتد 27 عامًا، حيث قدمت \"Headless 360\" - وهي مبادرة شاملة تكشف كل قدرة في نظامها الأساسي كواجهة برمجة التطبيقات (API) أو أداة MCP أو أمر CLI حتى يتمكن وكلاء الذكاء الاصطناعي من تشغيل النظام بأكمله دون فتح متصفح على الإطلاق. هذا الإعلان، الذي تم الإعلان عنه في مؤتمر مطوري TDX السنوي للشركة في سان فرانسيسكو، يشحن أكثر من 100 أداة ومهارة جديدة متاحة على الفور للمطورين. إنه يمثل استجابة حاسمة للسؤال الوجودي الذي يخيم على برمجيات المؤسسة: في عالم يستطيع فيه وكلاء الذكاء الاصطناعي التفكير والتخطيط والتنفيذ، هل لا تزال الشركة بحاجة إلى إدارة علاقات العملاء (CRM) ذات واجهة رسومية؟ إجابة Salesforce: لا، وهذا هو الهدف بالضبط. وقالت الشركة في إعلانها: \"لقد اتخذنا قرارًا منذ عامين ونصف: إعادة بناء Salesforce للوكلاء\". \"بدلاً من دفن القدرات خلف واجهة المستخدم، قم بكشفها بحيث يصبح النظام الأساسي بأكمله قابلاً للبرمجة ويمكن الوصول إليه من أي مكان.\" التوقيت ليس سوى مصادفة. تجد Salesforce نفسها تتنقل في واحدة من أكثر الفترات اضطرابًا في تاريخ برمجيات المؤسسات - وهي عمليات بيع واسعة النطاق على مستوى القطاع دفعت صندوق iShares Expanded Tech-Software Sector ETF إلى الانخفاض بنسبة 28٪ تقريبًا من ذروته في سبتمبر. الخوف الذي يقود هذا الانخفاض: أن الذكاء الاصطناعي، وخاصة نماذج اللغات الكبيرة من Anthropic، وOpenAI، وغيرها، يمكن أن يجعل نماذج الأعمال SaaS التقليدية عفا عليها الزمن. وصف جايش جوفيندارجان، نائب الرئيس التنفيذي لشركة Salesforce وأحد المهندسين الرئيسيين وراء مبادرة Headless 360، الإعلان بأنه لا يستند إلى نظرية التسويق ولكن إلى الدروس المستفادة بشق الأنفس من نشر الوكلاء مع الآلاف من عملاء المؤسسات. قال جوفيندارجان لـ VentureBeat في مقابلة حصرية: \"المشكلة التي ظهرت هي دورة حياة بناء نظام وكيل لكل واحد من عملائنا على أي مكدس، سواء كان خاصًا بنا أو بشخص آخر\". \"إن التحدي الذي يواجهونه هو إلى حد كبير تحدي تطوير البرمجيات. كيف أقوم ببناء وكيل؟ هذه مجرد خطوة واحدة.\" أكثر من 100 أداة جديدة تمنح وكلاء البرمجة إمكانية الوصول الكامل إلى منصة Salesforce لأول مرة. يعتمد Salesforce Headless 360 على ثلاث ركائز تمثل مجتمعة محاولة الشركة لإعادة تعريف الشكل الذي تبدو عليه منصة المؤسسة في عصر الوكلاء. الركيزة الأولى - البناء بالطريقة التي تريدها - توفر أكثر من 60 أداة MCP (بروتوكول سياق النموذج) جديدة وأكثر من 30 مهارات ترميز تم تكوينها مسبقًا والتي تمنح وكلاء الترميز الخارجيين مثل Claude Code وCursor وCodex وWindsurf إمكانية الوصول المباشر إلى مؤسسة Salesforce الكاملة للعميل، بما في ذلك البيانات ومسارات العمل ومنطق الأعمال. لم يعد المطورون بحاجة إلى العمل داخل IDE الخاص بـ Salesforce. يمكنهم توجيه وكلاء ترميز الذكاء الاصطناعي من أي محطة لإنشاء تطبيقات Salesforce ونشرها وإدارتها. تتضمن Agentforce Vibes 2.0، وهي بيئة التطوير الأصلية الخاصة بالشركة، الآن ما تسميه \"أداة مساعدة مفتوحة\" تدعم كلاً من وكيل Anthropic SDK ووكلاء OpenAI SDK. كما هو موضح خلال الكلمة الرئيسية، يمكن للمطورين الاختيار بين وكلاء Claude Code وOpenAI اعتمادًا على المهمة، مع قيام الحزام بضبط الإمكانات المتاحة ديناميكيًا بناءً على الوكيل المحدد. تضيف البيئة أيضًا دعمًا متعدد النماذج، بما في ذلك Claude Sonnet وGPT-5، إلى جانب الوعي الكامل بالمؤسسة منذ البداية. إحدى الإضافات الفنية المهمة هي دعم React الأصلي على منصة Salesforce. أثناء العرض التوضيحي الرئيسي، قام مقدمو العرض ببناء تطبيق خدمة شريك كامل الوظائف باستخدام React - وليس إطار عمل Lightning الخاص بشركة Salesforce - والذي يتصل بالبيانات التعريفية للمؤسسة عبر GraphQL مع وراثة جميع أساسيات أمان النظام الأساسي. وهذا يفتح إمكانيات أمامية أكثر تعبيرًا بشكل كبير للمطورين الذين يريدون التحكم الكامل في الطبقة المرئية. وتتركز الركيزة الثانية - النشر على أي سطح - على طبقة تجربة Agentforce الجديدة، التي تفصل ما يفعله الوكيل عن مظهره، مما يعرض مكونات تفاعلية غنية أصلاً عبر Slack، وتطبيقات الهاتف المحمول، وMicrosoft Teams، وChatGPT، وClaude، وGemini، وأي عميل يدعم تطبيقات MCP. خلال الكلمة الرئيسية، حدد مقدمو العرض تجربة مرة واحدة وقاموا بنشرها عبر ستة أسطح مختلفة دون كتابة تعليمات برمجية خاصة بالسطح. يعد التحول الفلسفي مهمًا: فبدلاً من جذب العملاء إلى واجهة مستخدم Salesforce، تقوم المؤسسات بدفع تجارب الوكلاء التفاعلية ذات العلامات التجارية إلى أي مساحة عمل يسكنها عملاؤها بالفعل. تقدم الركيزة الثالثة - بناء وكلاء يمكنك الوثوق بهم على نطاق واسع - مجموعة جديدة تمامًا من أدوات إدارة دورة الحياة التي تشمل الاختبار والتقييم والتجريب والمراقبة والتنسيق. Agent Script، اللغة الجديدة الخاصة بالمجال الخاصة بالشركة لتحديد سلوك الوكيل بشكل حتمي، أصبحت الآن متاحة بشكل عام ومفتوحة المصدر. يُظهر مركز الاختبار الجديد الثغرات المنطقية وانتهاكات السياسة قبل النشر. تتيح تقييمات النقاط المخصصة للمؤسسات تحديد الشكل \"الجيد\" لحالة الاستخدام المحددة الخاصة بها. وتتيح واجهة برمجة تطبيقات اختبار A\/B الجديدة تشغيل إصدارات متعددة للوكلاء مقابل حركة المرور الحقيقية في وقت واحد. لماذا استمر عملاء المؤسسات في كسر وكلاء الذكاء الاصطناعي الخاصين بهم - وكيف أعادت Salesforce تصميم أدواتها ردًا على ذلك؟ ربما كان الجزء الأكثر أهمية من الناحية الفنية - والأكثر صراحة - من مقابلة VentureBeat مع Govindarjan تناول التوتر الهندسي الأساسي في قلب الذكاء الاصطناعي للمؤسسات: الوكلاء هم أنظمة احتمالية، لكن المؤسسات تطلب نتائج حتمية. وأوضح جوفيندارجان أن عملاء Agentforce الأوائل، بعد إدخال الوكلاء في الإنتاج من خلال \"العمل الشاق المطلق\"، اكتشفوا حقيقة مؤلمة. وأضاف: \"كانوا خائفين من إجراء تغييرات على هؤلاء العملاء، لأن النظام برمته كان هشاً\". \"إنك تقوم بتغيير واحد ولا تعرف ما إذا كان سينجح بنسبة 100% في كل الأوقات. كل الاختبارات التي قمت بها تحتاج إلى إعادة بنائها.\" أدت مشكلة الهشاشة هذه إلى إنشاء Agent Script، والتي وصفها جوفيندارجان بأنها لغة برمجة \"تجمع الحتمية الموجودة في لغات البرمجة مع المرونة المتأصلة في الأنظمة الاحتمالية التي توفرها LLM.\" تعمل اللغة كملف مسطح واحد - قابل للإصدار والتدقيق - يحدد آلة الحالة التي تحكم كيفية تصرف الوكيل. داخل هذا الجهاز، تحدد المؤسسات الخطوات التي يجب أن تتبع منطق العمل الواضح وأيها يمكن أن تفكر بحرية باستخدام قدرات LLM. برنامج Agent Script مفتوح المصدر من Salesforce هذا الأسبوع، وأشار Govindarjan إلى أن Claude Code يمكنه بالفعل إنشاءه محليًا بسبب وثائقه النظيفة. يتناقض هذا النهج بشكل حاد مع حركة \"الترميز الحيوي\" التي تكتسب زخمًا في أماكن أخرى من الصناعة. كما ذكرت صحيفة وول ستريت جورنال مؤخرًا، تحاول بعض الشركات الآن ترميز بدائل CRM بالكامل - وهو اتجاه يعالجه Headless 360 من Salesforce مباشرة من خلال جعل منصته الخاصة هي الركيزة الأكثر ملاءمة للوكلاء المتاحة. وصف جوفيندارجان الأدوات بأنها نتاج للممارسة الداخلية لشركة Salesforce. \"كنا بحاجة إلى هذه الأدوات لنجعل عملائنا ناجحين. ثم احتاجت شركات FDE إليها. \"لقد قمنا بتقويتها، ثم قدمناها لعملائنا،\" قال لـ VentureBeat. وبعبارة أخرى، أنتجت Salesforce آلامها الخاصة. داخل بنيتي وكيل الذكاء الاصطناعي المتنافستين، تقول Salesforce إن كل مؤسسة ستحتاج إلى أن يرسم جوفيندارجان تمييزًا واضحًا بين بنيتين وكيلتين مختلفتين تمامًا ناشئتين في المؤسسة - واحدة للتفاعلات التي تواجه العملاء والأخرى ربطها بما أسماه \"حلقة رالف ويغام\". يتطلب الوكلاء الذين يتعاملون مع العملاء - أولئك الذين يتم نشرهم للتفاعل مع العملاء النهائيين للمبيعات أو الخدمة - رقابة حتمية صارمة. قال جوفيندارجان لـ VentureBeat: \"قبل أن يرغب العملاء في وضع هؤلاء الوكلاء أمام عملائهم، فإنهم يريدون التأكد من أنهم يتبعون نموذجًا معينًا - مجموعة معينة من القواعد الخاصة بالعلامة التجارية\". يقوم Agent Script بتشفير هذه العناصر كرسم بياني ثابت - مسار تحويل محدد من الخطوات مع تفكير LLM المضمن في كل خطوة. على النقيض من ذلك، تمثل \"حلقة رالف ويغام\" الطرف المعاكس من الطيف: رسم بياني ديناميكي يتم فتحه في وقت التشغيل، حيث يقرر العميل بشكل مستقل خطوته التالية بناءً على ما تعلمه في الخطوة السابقة، مما يؤدي إلى إلغاء المسارات المسدودة وإنشاء مسارات جديدة حتى تكتمل المهمة. قال جوفيندارجان إن هذه البنية تتجلى في المقام الأول في السيناريوهات التي يواجه فيها الموظفون - المطورون الذين يستخدمون وكلاء البرمجة، ومندوبي المبيعات الذين يديرون حلقات بحث عميقة، والمسوقون الذين يقومون بإنشاء مواد الحملة - حيث يقوم إنسان خبير بمراجعة المخرجات قبل شحنها. وأوضح جوفيندارجان أن \"حلقات رالف ويغام رائعة لمواجهة الموظفين لأن الموظفين، في جوهرهم، خبراء في شيء ما\". \"المطورون خبراء في التطوير، ومندوبو المبيعات خبراء في المبيعات.\" الرؤية التقنية الهامة: تعمل كلا البنيتين على نفس النظام الأساسي ونفس محرك الرسم البياني. وقال \"هذا رسم بياني ديناميكي. هذا رسم بياني ثابت\". \"كل ذلك رسم بياني تحته.\" قد يكون وقت التشغيل الموحد هذا - الذي يمتد على نطاق واسع بدءًا من تفاعلات العملاء الخاضعة للتحكم الصارم إلى الحلقات المستقلة ذات الشكل الحر - هو الرهان الفني الأكثر أهمية لشركة Salesforce، مما يجنب المؤسسات من الاحتفاظ بمنصات منفصلة لطرائق الوكلاء المختلفة. تقوم Salesforce بتحوط رهاناتها على MCP مع فتح نظامها البيئي لكل نموذج وأداة رئيسية للذكاء الاصطناعي. كان احتضان Salesforce للانفتاح في TDX ملفتًا للنظر. تتكامل المنصة الآن مع نماذج OpenAI وAnthropic وGoogle Gemini وMeta’s LLaMA وMistral AI. يدعم تسخير الوكيل المفتوح حزم SDK لوكيل الطرف الثالث. تعمل أدوات MCP من أي بيئة برمجة. ويوحد سوق AgentExchange الجديد 10000 تطبيق Salesforce، وأكثر من 2600 تطبيق Slack، وأكثر من 1000 وكيل وأدوات وخوادم MCP لـ Agentforce من الشركاء بما في ذلك Google وDocusign وNotion، بدعم من مبادرة AgentExchange Builders الجديدة بقيمة 50 مليون دولار. ومع ذلك، قدم جوفيندارجان تقييمًا صريحًا بشكل مدهش لـ MCP نفسه - وهو البروتوكول الذي ابتكرته Anthropic والذي أصبح معيارًا فعليًا للتواصل بين الأدوات والوكلاء. وقال لـ VentureBeat: \"لكي أكون صادقًا جدًا، لست متأكدًا على الإطلاق\" من أن MCP سيظل هو المعيار. \"عندما ظهر MCP لأول مرة كبروتوكول، شعر الكثير من المهندسين أنه كان عبارة عن غلاف فوق واجهة سطر أوامر (CLI) مكتوبة بشكل جيد - وهو ما هو عليه الآن. \"يقول الكثير من الناس أن CLI ربما يكون بنفس الجودة، إن لم يكن أفضل.\" منهجه: المرونة العملية. \"نحن لسنا متشبثين بواحد أو آخر. نحن نستخدم الأفضل فقط، وغالبًا ما نقدم الثلاثة جميعًا. نحن نقدم واجهة برمجة التطبيقات (API)، ونقدم واجهة سطر الأوامر (CLI)، ونقدم MCP.\" يشرح هذا التحوط تسمية \"Headless 360\" نفسها - بدلاً من المراهنة على بروتوكول واحد، تكشف Salesforce كل الإمكانيات عبر جميع أنماط الوصول الثلاثة، مما يعزل نفسه ضد تحولات البروتوكول. Engine، وهي شركة إدارة السفر B2B التي ظهرت بشكل بارز في العروض التوضيحية الرئيسية، قدمت نقطة إثبات واقعية لنهج النظام البيئي المفتوح. قامت الشركة ببناء وكيل خدمة العملاء الخاص بها، Ava، في 12 يومًا باستخدام Agentforce وهي الآن تتعامل مع 50% من حالات العملاء بشكل مستقل. يدير Engine خمسة وكلاء عبر وظائف مواجهة العملاء والموظفين، مع وجود Data 360 في قلب بنيته التحتية وSlack كمساحة العمل الأساسية. \"ترتفع خدمة CSAT، وتنخفض تكاليف التسليم. العملاء أكثر سعادة. نحن نحصل عليهم الإجابات بشكل أسرع. ما هي المقايضة؟ قال أحد المسؤولين التنفيذيين في Engine خلال الكلمة الرئيسية: \"لا توجد مقايضة\". ويدعم كل ذلك تحولًا في كيفية الحصول على رواتب Salesforce. تنتقل الشركة من الترخيص لكل مقعد إلى التسعير على أساس الاستهلاك لـ Agentforce - وهو انتقال وصفه جوفيندارجان بأنه \"تغيير في نموذج الأعمال والابتكار بالنسبة لنا\". إنه اعتراف ضمني بأنه عندما يقوم الوكلاء، وليس البشر، بالعمل، فإن فرض رسوم على كل مستخدم لم يعد منطقيًا. لا تدافع شركة Salesforce عن النموذج القديم، بل تعمل على تفكيكه وتراهن على ما سيأتي بعد ذلك، حيث قام جوفيندارجان بتأطير تطور الشركة من الناحية المعمارية. نظمت Salesforce منصتها حول أربع طبقات: نظام السياق (Data 360)، ونظام العمل (تطبيقات Customer 360)، ونظام الوكالة (Agentforce)، ونظام المشاركة (Slack والأسطح الأخرى). يفتح برنامج Headless 360 كل طبقة عبر نقاط نهاية قابلة للبرمجة. وقال جوفيندارجان لـ VentureBeat: \"ما رأيته اليوم، وما نفعله الآن، هو أننا نفتح كل طبقة، صحيح، باستخدام أدوات MCP، حتى نتمكن من بناء تجارب الوكلاء المطلوبة\". \"أعتقد أنك ترى شركة تحول نفسها.\" ويعتمد نجاح هذا التحول على التنفيذ عبر الآلاف من عمليات نشر العملاء، وقوة MCP والبروتوكولات ذات الصلة، والسؤال الأساسي حول ما إذا كانت منصات المؤسسة الحالية يمكنها التحرك بسرعة كافية لتظل ذات صلة عندما يتمكن وكلاء الذكاء الاصطناعي من بناء أنظمة جديدة بشكل متزايد من الصفر. إن السوق الهابطة لقطاع البرمجيات، والضغوط المالية التي تؤثر على الصناعة بأكملها، والوتيرة المذهلة لتحسين LLM، كلها تتآمر لجعل هذا واحدًا من أعلى الرهانات في تكنولوجيا المؤسسات. ولكن هناك مفارقة مضمنة في مأزق Salesforce الذي يوضحه Headless 360. إن إمكانات الذكاء الاصطناعي ذاتها التي تهدد بإزاحة البرامج التقليدية هي نفس القدرات التي تسخرها Salesforce الآن لإعادة بناء نفسها. كل وكيل ترميز يمكنه نظريًا أن يحل محل نظام إدارة علاقات العملاء (CRM) أصبح الآن، من خلال Headless 360، وكيل ترميز يبني فوق وكيل واحد. لا تجادل الشركة بأن الوكلاء لن يغيروا اللعبة. إنها تجادل بأن عقودًا من بيانات المؤسسة المتراكمة، وسير العمل، وطبقات الثقة، والمنطق المؤسسي تمنحها شيئًا لا يمكن لأي وكيل ترميز توليده من موجه فارغ. وكما أعلن بينيوف في برنامج Mad Money على قناة CNBC في شهر مارس: \"لا تزال صناعة البرمجيات حية، وفي حالة جيدة، وتنمو\". تعد Headless 360 أقوى محاولة قامت بها شركته لإثبات صحة كلامه — من خلال هدم جدران المنصة نفسها التي جعلت Salesforce مشهورة ودعوة كل وكيل في العالم للدخول من الباب الأمامي. وقد جسّد باركر هاريس، المؤسس المشارك لشركة Salesforce، الرهان بشكل أكثر إيجازًا في سؤال طرحه الشهر الماضي: \"لماذا يجب عليك تسجيل الدخول إلى Salesforce مرة أخرى؟\" إذا كان Headless 360 يعمل كما هو مُصمم، فالإجابة هي: لا ينبغي عليك القيام بذلك. وهذا، كما تراهن Salesforce، هو بالضبط ما سيجعلك تدفع ثمنه هو - هي.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/infrastructure\/are-we-getting-what-we-paid-for-how-to-turn-ai-momentum-into-measurable-value",
            "title_en": "Are we getting what we paid for? How to turn AI momentum into measurable value",
            "summary_en": "Enterprise AI is entering a new phase — one where the central question is no longer what can be built, but how to make the most of our AI investment. At VentureBeat’s latest AI Impact Tour session, Brian Gracely, director of portfolio strategy at Red Hat, described the operational reality inside large organizations: AI sprawl, rising inference costs, and limited visibility into what those investments are actually returning. It’s the “Day 2” moment — when pilots give way to production, and cost, governance, and sustainability become harder than building the system in the first place. \"We've seen customers who say, 'I have 50,000 licenses of Copilot. I don't really know what people are getting out of that. But I do know that I'm paying for the most expensive computing in ",
            "body_en": "Enterprise AI is entering a new phase — one where the central question is no longer what can be built, but how to make the most of our AI investment. At VentureBeat’s latest AI Impact Tour session, Brian Gracely, director of portfolio strategy at Red Hat, described the operational reality inside large organizations: AI sprawl, rising inference costs, and limited visibility into what those investments are actually returning. It’s the “Day 2” moment — when pilots give way to production, and cost, governance, and sustainability become harder than building the system in the first place. \"We've seen customers who say, 'I have 50,000 licenses of Copilot. I don't really know what people are getting out of that. But I do know that I'm paying for the most expensive computing in the world, because it's GPUs,'\" Gracely said. \"'How am I going to get that under control?'\" Why enterprise AI costs are now a board-level problem For much of the past two years, cost was not the primary concern for organizations evaluating generative AI. The experimental phase gave teams cover to spend freely, and the promise of productivity gains justified aggressive investment, but that dynamic is shifting as enterprises enter their second and third budget cycles with AI. The focus has moved from \"can we build something?\" to \"are we getting what we paid for?\" Enterprises that made large, early bets on managed AI services are conducting hard reviews of whether those investments are delivering measurable value. The issue isn’t just that GPU computing is expensive. It is that many organizations lack the instrumentation to connect spending to outcomes, making it nearly impossible to justify renewals or scale responsibly. The strategic shift from token consumer to token producer The dominant AI procurement model of the past few years has been straightforward: pay a vendor per token, per seat, or per API call, and let someone else manage the infrastructure. That model made sense as a starting point but is increasingly being questioned by organizations with enough experience to compare alternatives. Enterprises that have been through one AI cycle are starting to rethink that model. \"Instead of being purely a token consumer, how can I start being a token generator?\" Gracely said. \"Are there use cases and workloads that make sense for me to own more? It may mean operating GPUs. It may mean renting GPUs. And then asking, 'Does that workload need the greatest state-of-the-art model? Are there more capable open models or smaller models that fit?'\" The decision is not binary. The right answer depends on the workload, the organization, and the risk tolerance involved, but the math is getting more complicated as the number of capable open models, from DeepSeek to models now available through cloud marketplaces, grows. Now enterprises actually have real alternatives to the handful of providers that dominated the landscape two years ago. Falling AI costs and rising usage create a paradox for enterprise budgets Some enterprise leaders argue that locking into infrastructure investments now could mean significantly overpaying in the long run, pointing to the statement from Anthropic CEO Dario Amodei that AI inference costs are declining roughly 60% per year. The emergence of open-source models such as DeepSeek and others has meaningfully expanded the strategic options available to enterprises that are willing to invest in the underlying infrastructure in the last three years. But while costs per token are falling, usage is accelerating at a pace that more than offsets efficiency gains. It's a version of Jevons Paradox, the economic principle that improvements in resource efficiency tend to increase total consumption rather than reduce it, as lower cost enables broader adoption. For enterprise budget planners, this means declining unit costs do not translate into declining total bills. An organization that triples its AI usage while costs fall by half still ends up spending more than it did before. The consideration becomes which workloads genuinely require the most capable and most expensive models, and which can be handled just fine by smaller, cheaper alternatives. The business case for investing in AI infrastructure flexibility The prescription isn't to slow down AI investment, but to build with flexibility being top of mind. The organizations that will win aren't necessarily the ones that move fastest or spend the most; they're the ones building infrastructure and operating models capable of absorbing the next unexpected development. \"The more you can build some abstractions and give yourself some flexibility, the more you can experiment without running up costs, but also without jeopardizing your business. Those are as important as asking whether you're doing everything best practice right now,\" Gracely explained. But despite how entrenched AI discussions have become in enterprise planning cycles, the practical experience most organizations have is still measured in years, not decades. \"It feels like we've been doing this forever. We've been doing this for three years,\" Gracely added. \"It's early and it's moving really fast. You don't know what's coming next. But the characteristics of what's coming next — you should have some sense of what that looks like.” For enterprise leaders still calibrating their AI investment strategies, that may be the most actionable takeaway: the goal is not to optimize for today's cost structure, but to build the organizational and technical flexibility to adapt when, not if, it changes again.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/DqtVqZttXPsQQAic9qim9\/7c71a0677fefeb40a57eb76b6067caee\/184_VentureBeats_RedHat_AISummitBoston_032626.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/infrastructure\/are-we-getting-what-we-paid-for-how-to-turn-ai-momentum-into-measurable-value",
            "date": "2026-04-16",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "هل نحصل على ما دفعنا مقابله؟ كيفية تحويل زخم الذكاء الاصطناعي إلى قيمة قابلة للقياس",
            "summary_ar": "يدخل الذكاء الاصطناعي المؤسسي مرحلة جديدة - مرحلة لم يعد السؤال المركزي فيها هو ما يمكن بناؤه، ولكن كيفية تحقيق أقصى استفادة من استثمارنا في الذكاء الاصطناعي. في أحدث جلسة لـ AI Impact Tour لـ VentureBeat، وصف بريان جريسلي، مدير استراتيجية المحفظة في Red Hat، الواقع التشغيلي داخل المؤسسات الكبيرة: انتشار الذكاء الاصطناعي، وارتفاع تكاليف الاستدلال، ومحدودية الرؤية حول ما تعود به هذه الاستثمارات فعليًا. إنها لحظة \"اليوم الثاني\" - عندما يفسح الطيارون المجال للإنتاج، وتصبح التكلفة والحوكمة والاستدامة أصعب من بناء النظام في المقام الأول. \"لقد رأينا عملاء يقولون: \"لدي 50000 ترخيص لبرنامج Copilot. ولا أعرف حقًا ما الذي سيستفيده الناس من ذلك\". لكنني أعلم أنني أدفع ثمن أغلى أجهزة الكمبيوتر في العالم",
            "body_ar": "يدخل الذكاء الاصطناعي المؤسسي مرحلة جديدة - مرحلة لم يعد السؤال المركزي فيها هو ما يمكن بناؤه، ولكن كيفية تحقيق أقصى استفادة من استثمارنا في الذكاء الاصطناعي. في أحدث جلسة لـ AI Impact Tour لـ VentureBeat، وصف بريان جريسلي، مدير استراتيجية المحفظة في Red Hat، الواقع التشغيلي داخل المؤسسات الكبيرة: انتشار الذكاء الاصطناعي، وارتفاع تكاليف الاستدلال، ومحدودية الرؤية حول ما تعود به هذه الاستثمارات فعليًا. إنها لحظة \"اليوم الثاني\" - عندما يفسح الطيارون المجال للإنتاج، وتصبح التكلفة والحوكمة والاستدامة أصعب من بناء النظام في المقام الأول. \"لقد رأينا عملاء يقولون: \"لدي 50000 ترخيص لبرنامج Copilot. لا أعرف حقًا ما الذي سيحصل عليه الناس من ذلك. لكنني أعلم أنني أدفع مقابل أغلى حوسبة في العالم، لأنها وحدات معالجة الرسومات،\" قال جريسلي. \"كيف سأتمكن من السيطرة على ذلك؟\" لماذا أصبحت تكاليف الذكاء الاصطناعي المؤسسي الآن مشكلة على مستوى مجلس الإدارة؟ خلال معظم العامين الماضيين، لم تكن التكلفة هي الشغل الشاغل للمؤسسات التي تقوم بتقييم الذكاء الاصطناعي التوليدي. أعطت المرحلة التجريبية للفرق غطاءً للإنفاق بحرية، وكان الوعد بمكاسب الإنتاجية يبرر الاستثمار القوي، لكن هذه الديناميكية تتغير مع دخول المؤسسات في دورتي ميزانيتها الثانية والثالثة باستخدام الذكاء الاصطناعي. لقد تحول التركيز من \"هل يمكننا بناء شيء ما؟\" إلى \"هل نحصل على ما دفعنا مقابله؟\" تقوم الشركات التي قامت بمراهنات كبيرة ومبكرة على خدمات الذكاء الاصطناعي المُدارة بإجراء مراجعات صارمة حول ما إذا كانت تلك الاستثمارات تحقق قيمة قابلة للقياس. لا تقتصر المشكلة على أن حوسبة وحدة معالجة الرسومات (GPU) باهظة الثمن. والمشكلة هي أن العديد من المنظمات تفتقر إلى الأدوات اللازمة لربط الإنفاق بالنتائج، مما يجعل من المستحيل تقريباً تبرير التجديدات أو التوسع بشكل مسؤول. التحول الاستراتيجي من مستهلك الرمز المميز إلى منتج الرمز المميز كان نموذج شراء الذكاء الاصطناعي المهيمن في السنوات القليلة الماضية واضحًا ومباشرًا: ادفع للبائع لكل رمز مميز، أو لكل مقعد، أو لكل استدعاء لواجهة برمجة التطبيقات (API)، واترك لشخص آخر إدارة البنية التحتية. كان هذا النموذج منطقيًا كنقطة انطلاق، لكنه أصبح موضع تساؤل متزايد من قبل المنظمات التي تتمتع بالخبرة الكافية لمقارنة البدائل. بدأت الشركات التي مرت بدورة واحدة من دورات الذكاء الاصطناعي في إعادة التفكير في هذا النموذج. \"بدلاً من أن أكون مجرد مستهلك للرموز، كيف يمكنني أن أبدأ في أن أكون منشئًا للرموز؟\" قال برشاقة. \"هل هناك حالات استخدام وأعباء عمل منطقية بالنسبة لي لامتلاك المزيد؟ قد يعني ذلك تشغيل وحدات معالجة الرسومات. وقد يعني استئجار وحدات معالجة الرسومات. ثم نتساءل: \"هل يحتاج عبء العمل هذا إلى أعظم نموذج متطور؟ هل هناك نماذج مفتوحة أكثر قدرة أو نماذج أصغر مناسبة؟\"\" القرار ليس ثنائيًا. تعتمد الإجابة الصحيحة على حجم العمل، والتنظيم، وتحمل المخاطر التي ينطوي عليها الأمر، ولكن الرياضيات تصبح أكثر تعقيدًا مع تزايد عدد النماذج المفتوحة القادرة، من DeepSeek إلى النماذج المتاحة الآن من خلال الأسواق السحابية. والآن أصبح لدى الشركات في الواقع بدائل حقيقية لحفنة من مقدمي الخدمات الذين سيطروا على المشهد قبل عامين. يؤدي انخفاض تكاليف الذكاء الاصطناعي وارتفاع استخدامه إلى خلق مفارقة لميزانيات المؤسسات، حيث يزعم بعض قادة الشركات أن الاستثمار في البنية التحتية الآن قد يعني دفع مبالغ زائدة بشكل كبير على المدى الطويل، مشيرين إلى تصريح الرئيس التنفيذي لشركة أنثروبك، داريو أمودي، بأن تكاليف استنتاج الذكاء الاصطناعي تنخفض بنسبة 60٪ تقريبًا سنويًا. وكان ظهور نماذج مفتوحة المصدر مثل DeepSeek وغيرها سبباً في توسيع الخيارات الاستراتيجية المتاحة للشركات الراغبة في الاستثمار في البنية الأساسية الأساسية في السنوات الثلاث الماضية بشكل ملموس. ولكن في حين أن تكاليف كل رمز آخذة في الانخفاض، فإن الاستخدام يتسارع بوتيرة تعوض مكاسب الكفاءة. إنها نسخة من مفارقة جيفونز، المبدأ الاقتصادي الذي ينص على أن التحسينات في كفاءة استخدام الموارد تميل إلى زيادة الاستهلاك الإجمالي بدلا من خفضه، حيث أن التكلفة المنخفضة تمكن من اعتمادها على نطاق أوسع. بالنسبة لمخططي ميزانية المؤسسة، فإن هذا يعني أن انخفاض تكاليف الوحدة لا يترجم إلى انخفاض إجمالي الفواتير. إن المنظمة التي تضاعف استخدام الذكاء الاصطناعي ثلاث مرات بينما تنخفض التكاليف إلى النصف لا تزال في نهاية المطاف تنفق أكثر مما كانت تفعل من قبل. يصبح الاعتبار هو أي أعباء العمل تتطلب حقًا النماذج الأكثر قدرة والأكثر تكلفة، وأيها يمكن التعامل معها بشكل جيد من خلال بدائل أصغر وأرخص. الجدوى التجارية للاستثمار في مرونة البنية التحتية للذكاء الاصطناعي لا تتمثل الوصفة في إبطاء الاستثمار في الذكاء الاصطناعي، بل في البناء مع وضع المرونة في مقدمة أولوياتنا. إن المنظمات التي ستفوز ليست بالضرورة تلك التي تتحرك بشكل أسرع أو تنفق أكثر؛ إنهم هم الذين يقومون ببناء البنية التحتية ونماذج التشغيل القادرة على استيعاب التطور غير المتوقع التالي. \"كلما تمكنت من بناء بعض التجريدات ومنح نفسك بعض المرونة، كلما تمكنت من التجربة دون زيادة التكاليف، ولكن أيضًا دون تعريض عملك للخطر. وأوضح جريسلي أن هذه الأمور لا تقل أهمية عن السؤال عما إذا كنت تفعل كل شيء بأفضل الممارسات في الوقت الحالي. ولكن على الرغم من مدى ترسيخ مناقشات الذكاء الاصطناعي في دورات تخطيط المؤسسات، فإن الخبرة العملية التي تمتلكها معظم المؤسسات لا تزال تقاس بالسنوات، وليس بالعقود. \"يبدو أننا كنا نفعل هذا إلى الأبد. وأضافت جريسلي: \"لقد قمنا بذلك لمدة ثلاث سنوات\". \"إنه وقت مبكر ويتحرك بسرعة كبيرة. أنت لا تعرف ما سيأتي بعد ذلك. لكن خصائص ما سيأتي بعد ذلك – يجب أن يكون لديك بعض الإحساس بما سيبدو عليه الأمر. بالنسبة لقادة المؤسسات الذين ما زالوا يعكفون على معايرة استراتيجياتهم الاستثمارية في الذكاء الاصطناعي، قد تكون هذه هي النتيجة الأكثر قابلية للتنفيذ: فالهدف ليس تحسين هيكل التكلفة اليوم، ولكن بناء المرونة التنظيمية والتقنية للتكيف عندما يتغير، وليس إذا تغير. مرة أخرى.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/openai-debuts-gpt-rosalind-a-new-limited-access-model-for-life-sciences-and-broader-codex-plugin-on-github",
            "title_en": "OpenAI debuts GPT-Rosalind, a new limited access model for life sciences, and broader Codex plugin on Github",
            "summary_en": "The journey from a laboratory hypothesis to a pharmacy shelf is one of the most grueling marathons in modern industry, typically spanning 10 to 15 years and billions of dollars in investment. Progress is often stymied not just by the inherent mysteries of biology, but by the \"fragmented and difficult to scale\" workflows that force researchers to manually pivot between the actual experimental design equipment, software, and databases. But OpenAI is releasing a new specialized model GPT-Rosalind specifically to speed up this process and make it more efficient, easier, and ideally, more productive. Named after the pioneering chemist Rosalind Franklin, whose work was vital to the discovery of DNA’s structure (and was often overlooked for her male colleagues James Watson and Francis Crick), thi",
            "body_en": "The journey from a laboratory hypothesis to a pharmacy shelf is one of the most grueling marathons in modern industry, typically spanning 10 to 15 years and billions of dollars in investment. Progress is often stymied not just by the inherent mysteries of biology, but by the \"fragmented and difficult to scale\" workflows that force researchers to manually pivot between the actual experimental design equipment, software, and databases. But OpenAI is releasing a new specialized model GPT-Rosalind specifically to speed up this process and make it more efficient, easier, and ideally, more productive. Named after the pioneering chemist Rosalind Franklin, whose work was vital to the discovery of DNA’s structure (and was often overlooked for her male colleagues James Watson and Francis Crick), this new frontier reasoning model is purpose-built to act as a specialized intelligence layer for life sciences research. By shifting AI’s role from a general-purpose assistant to a domain-specific \"reasoning\" partner, OpenAI is signaling a long-term commitment to biological and chemical discovery. What GPT-Rosalind offers GPT-Rosalind isn't just about faster text generation; it is designed to synthesize evidence, generate biological hypotheses, and plan experiments—tasks that have traditionally required years of expert human synthesis. At its core, GPT-Rosalind is the first in a new series of models optimized for scientific workflows. While previous iterations of GPT excelled at general language tasks, this model is fine-tuned for deeper understanding across genomics, protein engineering, and chemistry. To validate its capabilities, OpenAI tested the model against several industry benchmarks. On BixBench, a metric for real-world bioinformatics and data analysis, GPT-Rosalind achieved leading performance among models with published scores. In more granular testing via LABBench2, the model outperformed GPT-5.4 on six out of eleven tasks, with the most significant gains appearing in CloningQA—a task requiring the end-to-end design of reagents for molecular cloning protocols. The model’s most striking performance signal came from a partnership with Dyno Therapeutics. In an evaluation using unpublished, \"uncontaminated\" RNA sequences, GPT-Rosalind was tasked with sequence-to-function prediction and generation. When evaluated directly in the Codex environment, the model’s submissions ranked above the 95th percentile of human experts on prediction tasks and reached the 84th percentile for sequence generation. This level of expertise suggests the model can serve as a high-level collaborator capable of identifying \"expert-relevant patterns\" that generalist models often overlook. The new lab workflow OpenAI is not just releasing a model; it is launching an ecosystem designed to integrate with the tools scientists already use. Central to this is a new Life Sciences research plugin for Codex, available on GitHub. Scientific research is famously siloed. A single project might require a researcher to consult a protein structure database, search through 20 years of clinical literature, and then use a separate tool for sequence manipulation. The new plugin acts as an \"orchestration layer,\" providing a unified starting point for these multi-step questions. Skill Set : The package includes modular skills for biochemistry, human genetics, functional genomics, and clinical evidence. Connectivity : It connects models to over 50 public multi-omics databases and literature sources. Efficiency : This approach targets \"long-horizon, tool-heavy scientific workflows,\" allowing researchers to automate repeatable tasks like protein structure lookups and sequence searches. Limited and gated access Given the potential power of a model capable of redesigning biological structures, OpenAI is eschewing a broad \"open-source\" or general public release in favor of a Trusted Access program. The model is launching as a research preview specifically for qualified Enterprise customers in the United States. This restricted deployment is built on three core principles: beneficial use, strong governance, and controlled access. Organizations requesting access must undergo a qualification and safety review to ensure they are conducting legitimate research with a clear public benefit. Unlike general-use models, GPT-Rosalind was developed with heightened enterprise-grade security controls. For the end-user, this means: Restricted Access : Usage is limited to approved users within secure, well-managed environments. Governance : Participating organizations must maintain strict misuse-prevention controls and agree to specific life sciences research preview terms. Cost : During the preview phase, the model will not consume existing credits or tokens, allowing researchers to experiment without immediate budgetary constraints (subject to abuse guardrails). Warm reception from initial industry partners The announcement garnered significant buy-in from OpenAI parnters across the pharmaceutical and technology sectors. Sean Bruich, SVP of AI and Data at Amgen, noted that the collaboration allows the company to apply advanced tools in ways that could \"accelerate how we deliver medicines to patients\".The impact is also being felt in the specialized tech infrastructure that supports labs: NVIDIA : Kimberly Powell, VP of Healthcare and Life Sciences, described the convergence of domain reasoning and accelerated computing as a way to \"compress years of traditional R&D into immediate, actionable scientific insights\". Moderna : CEO Stéphane Bancel highlighted the model's ability to \"reason across complex biological evidence\" to help teams translate insights into experimental workflows. The Allen Institute : CTO Andy Hickl emphasized that GPT-Rosalind stands out for making manual steps—like finding and aligning data—more \"consistent and repeatable in an agentic workflow\". This builds on tangible results OpenAI has already seen in the field, such as its collaboration with Ginkgo Bioworks, where AI models helped achieve a 40% reduction in protein production costs. What's next for Rosalind and OpenAI in life sciences? OpenAI’s mission with GPT-Rosalind is to narrow the gap between a \"promising scientific idea\" and the actual \"evidence, experiments, and decisions\" required for medical progress. By partnering with institutions like Los Alamos National Laboratory to explore AI-guided catalyst design and biological structure modification, the company is positioning GPT-Rosalind as more than a tool—it is meant to be a \"capable partner in discovery\". As the life sciences field becomes increasingly data-dense, the move toward specialized \"reasoning\" models like Rosalind may become the standard for navigating the \"vast search spaces\" of biology and chemistry.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/2kuM1Fize1fBE3pybDQsvD\/ae6248e28eafe454993a21e87632c189\/ChatGPT_Image_Apr_16__2026__03_01_33_PM.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/openai-debuts-gpt-rosalind-a-new-limited-access-model-for-life-sciences-and-broader-codex-plugin-on-github",
            "date": "2026-04-16",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تطلق OpenAI لأول مرة GPT-Rosalind، وهو نموذج وصول محدود جديد لعلوم الحياة، ومكون إضافي أوسع لـ Codex على Github",
            "summary_ar": "تعد الرحلة من فرضية المختبر إلى رف الصيدلية واحدة من أكثر الماراثونات قسوة في الصناعة الحديثة، وتمتد عادةً من 10 إلى 15 عامًا واستثمارات بمليارات الدولارات. غالبًا ما يتم إعاقة التقدم ليس فقط بسبب الألغاز المتأصلة في علم الأحياء، ولكن أيضًا بسبب سير العمل \"المجزأ وصعب القياس\" الذي يجبر الباحثين على التركيز يدويًا بين معدات التصميم التجريبي الفعلي، والبرمجيات، وقواعد البيانات. لكن OpenAI تطلق نموذجًا متخصصًا جديدًا GPT-Rosalind خصيصًا لتسريع هذه العملية وجعلها أكثر كفاءة وأسهل وأكثر إنتاجية بشكل مثالي. سُميت على اسم عالمة الكيمياء الرائدة روزاليند فرانكلين، التي كان عملها حيويًا لاكتشاف بنية الحمض النووي (وغالبًا ما كان يتجاهلها زملاؤها الذكور جيمس واتسون وفرانسيس كريك). ثي",
            "body_ar": "تعد الرحلة من فرضية المختبر إلى رف الصيدلية واحدة من أكثر الماراثونات قسوة في الصناعة الحديثة، وتمتد عادةً من 10 إلى 15 عامًا واستثمارات بمليارات الدولارات. غالبًا ما يتم إعاقة التقدم ليس فقط بسبب الألغاز المتأصلة في علم الأحياء، ولكن أيضًا بسبب سير العمل \"المجزأ وصعب القياس\" الذي يجبر الباحثين على التركيز يدويًا بين معدات التصميم التجريبي الفعلي، والبرمجيات، وقواعد البيانات. لكن OpenAI تطلق نموذجًا متخصصًا جديدًا GPT-Rosalind خصيصًا لتسريع هذه العملية وجعلها أكثر كفاءة وأسهل وأكثر إنتاجية بشكل مثالي. تم تسمية نموذج الاستدلال الحدودي الجديد هذا على اسم الكيميائية الرائدة روزاليند فرانكلين، التي كان عملها حيويًا لاكتشاف بنية الحمض النووي (والتي غالبًا ما تم تجاهلها بالنسبة لزملائها الذكور جيمس واتسون وفرانسيس كريك)، وقد تم تصميمه خصيصًا ليكون بمثابة طبقة ذكاء متخصصة لأبحاث علوم الحياة. ومن خلال تحويل دور الذكاء الاصطناعي من مساعد للأغراض العامة إلى شريك \"استدلالي\" خاص بمجال معين، تشير شركة OpenAI إلى التزام طويل الأمد بالاكتشاف البيولوجي والكيميائي. ما تقدمه GPT-Rosalind لا يتعلق GPT-Rosalind فقط بإنشاء نص أسرع؛ فهو مصمم لتجميع الأدلة، وتوليد الفرضيات البيولوجية، وتخطيط التجارب - وهي المهام التي تتطلب تقليديًا سنوات من التوليف البشري الخبير. يعد GPT-Rosalind في جوهره الأول في سلسلة جديدة من النماذج المُحسّنة لسير العمل العلمي. في حين أن التكرارات السابقة لـ GPT تفوقت في مهام اللغة العامة، فقد تم ضبط هذا النموذج بدقة لتحقيق فهم أعمق عبر علم الجينوم وهندسة البروتين والكيمياء. وللتحقق من صحة قدراته، قامت OpenAI باختبار النموذج مقابل العديد من معايير الصناعة. في BixBench، وهو مقياس للمعلوماتية الحيوية وتحليل البيانات في العالم الحقيقي، حققت GPT-Rosalind أداءً رائدًا بين النماذج ذات النتائج المنشورة. في اختبارات أكثر تفصيلاً عبر LABBench2، تفوق النموذج على GPT-5.4 في ستة من أصل إحدى عشرة مهمة، مع ظهور أهم المكاسب في CloningQA - وهي مهمة تتطلب تصميمًا شاملاً للكواشف لبروتوكولات الاستنساخ الجزيئي. جاءت إشارة الأداء الأكثر لفتًا للانتباه لهذا النموذج من الشراكة مع Dyno Therapeutics. في تقييم باستخدام تسلسلات الحمض النووي الريبوزي غير المنشورة \"غير الملوثة\"، تم تكليف GPT-Rosalind بالتنبؤ بالتسلسل إلى الوظيفة وتوليدها. وعند تقييمها مباشرة في بيئة هيئة الدستور الغذائي، احتلت تقديمات النموذج مرتبة أعلى من المئين الخامس والتسعين للخبراء البشريين في مهام التنبؤ ووصلت إلى المئين الرابع والثمانين لتوليد التسلسل. يشير هذا المستوى من الخبرة إلى أن النموذج يمكن أن يكون بمثابة متعاون رفيع المستوى قادر على تحديد \"الأنماط ذات الصلة بالخبراء\" التي غالبًا ما تتجاهلها النماذج العامة. إن سير عمل المختبر الجديد OpenAI لا يقوم فقط بإصدار نموذج؛ إنها تطلق نظامًا بيئيًا مصممًا للتكامل مع الأدوات التي يستخدمها العلماء بالفعل. ومن الأمور الأساسية في هذا البرنامج الإضافي الجديد لأبحاث علوم الحياة لبرنامج Codex، وهو متاح على GitHub. من المعروف أن البحث العلمي منعزل. قد يتطلب مشروع واحد من الباحث استشارة قاعدة بيانات بنية البروتين، والبحث خلال 20 عامًا من الأدبيات السريرية، ثم استخدام أداة منفصلة لمعالجة التسلسل. يعمل البرنامج الإضافي الجديد بمثابة \"طبقة تنسيق\"، مما يوفر نقطة بداية موحدة لهذه الأسئلة متعددة الخطوات. مجموعة المهارات: تتضمن الحزمة مهارات معيارية في الكيمياء الحيوية وعلم الوراثة البشرية وعلم الجينوم الوظيفي والأدلة السريرية. الاتصال: يربط النماذج بأكثر من 50 قاعدة بيانات عامة متعددة omics ومصادر الأدبيات. الكفاءة: يستهدف هذا النهج \"سير العمل العلمي طويل الأفق والمثقل بالأدوات\"، مما يسمح للباحثين بأتمتة المهام المتكررة مثل عمليات البحث عن بنية البروتين وعمليات البحث عن التسلسل. الوصول المحدود والمسور نظرًا للقوة المحتملة لنموذج قادر على إعادة تصميم الهياكل البيولوجية، تتجنب OpenAI إصدارًا واسع النطاق \"مفتوح المصدر\" أو إصدارًا عامًا لصالح برنامج الوصول الموثوق. يتم إطلاق النموذج كمعاينة بحثية خصيصًا لعملاء المؤسسات المؤهلين في الولايات المتحدة. يعتمد هذا النشر المقيد على ثلاثة مبادئ أساسية: الاستخدام المفيد، والحوكمة القوية، والوصول الخاضع للرقابة. يجب أن تخضع المنظمات التي تطلب الوصول إلى مراجعة للمؤهلات والسلامة للتأكد من أنها تجري أبحاثًا مشروعة ذات منفعة عامة واضحة. على عكس نماذج الاستخدام العام، تم تطوير GPT-Rosalind باستخدام ضوابط أمنية معززة على مستوى المؤسسات. بالنسبة للمستخدم النهائي، هذا يعني: الوصول المقيد: يقتصر الاستخدام على المستخدمين المعتمدين ضمن بيئات آمنة تتم إدارتها بشكل جيد. الحوكمة : يجب على المنظمات المشاركة الحفاظ على ضوابط صارمة لمنع سوء الاستخدام والموافقة على شروط محددة لمعاينة أبحاث علوم الحياة. التكلفة : خلال مرحلة المعاينة، لن يستهلك النموذج الاعتمادات أو الرموز المميزة الموجودة، مما يسمح للباحثين بالتجربة دون قيود مالية فورية (يخضع لإساءة استخدام حواجز الحماية). استقبال حار من شركاء الصناعة الأوائل وقد حظي الإعلان بتأييد كبير من شركاء OpenAI عبر قطاعي الأدوية والتكنولوجيا. أشار شون برويتش، نائب الرئيس الأول للذكاء الاصطناعي والبيانات في شركة Amgen، إلى أن التعاون يسمح للشركة بتطبيق أدوات متقدمة بطرق يمكن أن \"تسرع كيفية توصيل الأدوية للمرضى\". ويظهر التأثير أيضًا في البنية التحتية التقنية المتخصصة التي تدعم المختبرات: NVIDIA: وصفت كيمبرلي باول، نائب الرئيس للرعاية الصحية وعلوم الحياة، تقارب منطق المجال والحوسبة المتسارعة كوسيلة \"لضغط سنوات من البحث والتطوير التقليدي في أبحاث علمية فورية وقابلة للتنفيذ\". رؤى\". موديرنا: سلط الرئيس التنفيذي ستيفان بانسيل الضوء على قدرة النموذج على \"الاستدلال عبر الأدلة البيولوجية المعقدة\" لمساعدة الفرق على ترجمة الرؤى إلى سير عمل تجريبي. معهد ألين: أكد CTO آندي هيكل أن GPT-Rosalind تبرز في اتخاذ خطوات يدوية - مثل العثور على البيانات ومواءمتها - أكثر \"اتساقًا وقابلية للتكرار في سير عمل وكيل\". يعتمد هذا على النتائج الملموسة التي شهدتها OpenAI بالفعل في هذا المجال، مثل تعاونها مع Ginkgo Bioworks، حيث ساعدت نماذج الذكاء الاصطناعي في تحقيق تخفيض بنسبة 40% في تكاليف إنتاج البروتين. ما الخطوة التالية بالنسبة لروزاليند وOpenAI في علوم الحياة؟ تتمثل مهمة OpenAI مع GPT-Rosalind في تضييق الفجوة بين \"الفكرة العلمية الواعدة\" و\"الأدلة والتجارب والقرارات\" الفعلية المطلوبة للتقدم الطبي. ومن خلال الشراكة مع مؤسسات مثل مختبر لوس ألاموس الوطني لاستكشاف تصميم المحفز الموجه بالذكاء الاصطناعي وتعديل البنية البيولوجية، فإن الشركة تضع GPT-Rosalind على أنها أكثر من مجرد أداة، بل من المفترض أن تكون \"شريكًا قادرًا في الاكتشاف\". ومع تزايد كثافة البيانات في مجال علوم الحياة، فإن التحرك نحو نماذج \"الاستدلال\" المتخصصة مثل روزاليند قد يصبح المعيار للتنقل في \"مساحات البحث الواسعة\" في علم الأحياء وعلم الأحياء. كيمياء.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/openai-drastically-updates-codex-desktop-app-to-use-all-other-apps-on-your-computer-generate-images-preview-webpages",
            "title_en": "OpenAI drastically updates Codex desktop app to use all other apps on your computer, generate images, preview webpages",
            "summary_en": "Confirming it has reached 3 million weekly developers, OpenAI is massively updating its Codex developer environment via its Mac and Windows desktop apps today to bring it closer to the “Super App” the company has confirmed it is pursuing. Before today, Codex was primarily an environment for using OpenAI’s underlying language models to write, edit, debug and ship software as directed by the user. Now, Codex will be able to access all of the other apps on your computer, surface relevant information from within them to you when asked or proactively, take actions as directed in said applications, and, in the case of Mac users, even do so while you continue manually using your computer simultaneously to your agents working in the background. Andrew Ambrosino, an OpenAI technical staffer on the ",
            "body_en": "Confirming it has reached 3 million weekly developers, OpenAI is massively updating its Codex developer environment via its Mac and Windows desktop apps today to bring it closer to the “Super App” the company has confirmed it is pursuing. Before today, Codex was primarily an environment for using OpenAI’s underlying language models to write, edit, debug and ship software as directed by the user. Now, Codex will be able to access all of the other apps on your computer, surface relevant information from within them to you when asked or proactively, take actions as directed in said applications, and, in the case of Mac users, even do so while you continue manually using your computer simultaneously to your agents working in the background. Andrew Ambrosino, an OpenAI technical staffer on the Codex team, described the change plainly in an embargoed press briefing I attended virtually yesterday: “Codex can actually click on apps, launch apps, and type into apps. This works with any apps on your machine.” Codex on desktop is further getting its own built-in web browser, allowing users to preview their front-end development, and a directly integrated pipeline to OpenAI’s powerful AI image generation model gpt-image-1.5, allowing users to generate imagery for their projects — everything from websites to presentations to full playable PC games with hundreds of assets — all in the same style. As Thibault \"Tibo\" Sottiaux, Head of Codex at OpenAI, said during the briefing: “It’s not just about the growth. It is putting a very capable agent in the hands of builders, and now we’re seeing that we’re able to expand and do a lot more work entirely across your computer\" Asked why OpenAI was pursuing all this in Codex, not its more recognizable flagship app, ChatGPT, Sottiaux told VentureBeat: “Codex is our most powerful agent.It already worked on your computer, and so we’re expanding the capabilities there. It felt very natural. We will make it make sense at some point.\" The update comes as rival Anthropic has previously courted similar use cases with the launch of its Claude Cowork and redesigned Claude Code desktop app views , all available within the Claude desktop app for Mac and Windows. But Claude does not allow for simultaneous background app cursor usage from the desktop app across all of a user's apps like Codex does. Multiple agentic computer use workflows in the background on macOS The most significant technological leap in this release is \"Computer Use,\" limited for now to macOS users. This feature allows Codex to break out of the traditional chatbot container to \"see, click, and type\" across all applications on a machine. Crucially, this happens in the background. \"It can use apps on your computer in the background, as opposed to taking over your entire computer,\" explained Caffrey Lynch of OpenAI’s developer product communications. This enables \"multi-agent\" workflows where Codex might be testing a frontend change or triaging a JIRA ticket while the developer continues working in a different application. For Windows users, the core Codex desktop app remains available and supported — as does pulling information in from those apps to surface to the user in Codex — though it lacks the cursor-level background interaction available on Mac at launch. A one-stop shop for end-to-end software development Beyond operating the OS, OpenAI is doubling down on the \"Software Development Lifecycle\" (SDLC). The Codex app now functions more like a unified workspace, supporting everything from GitHub PR reviews to managing remote infrastructure. \"The simplest way to think about this release is teaching Codex and the app to work across a much larger surface area,\" said Andrew Ambrosino, lead of Codex app development. This surface area now includes: Integrated Browser : An in-app browser allows developers to iterate on frontend designs by commenting directly on DOM elements, providing precise instructions for the agent to follow. Visual Primitives : By integrating gpt-image-1.5, Codex can now generate and iterate on images for mockups and game assets directly within the development workflow. Expanded Sidebar : The app now includes rich previews for non-code files such as PDFs, spreadsheets, and slide decks, alongside a summary pane to track agent plans and sources. Terminal & SSH : The update adds support for multiple terminal tabs and an alpha feature for connecting to remote devboxes via SSH. To connect these disparate tasks, OpenAI is releasing more than 90 new plugins. These connectors—including CircleCI, GitLab, and Microsoft Suite—allow the agent to gather context and take action across the entire toolchain a developer uses daily. In a demo video shown off during the briefing, OpenAI presented an example showing the user typing into the Codex prompt entry field, “Can you check Slack, Gmail, Google Calendar, and Notion and tell me what needs my attention?” showing how Codex can now scan across multiple apps and gather information from them all in single prompt, and surface what matters most to the user. “You can @ mention them if you want Codex to use a specific app, or if not, Codex can discover which apps to use,” Ambrosino said. The ‘heartbeat’ of productivity One of the more subtle but powerful shifts is the introduction of persistent agency. Through \"Heartbeat Automations,\" Codex can now schedule future work for itself and \"wake up\" to continue long-term tasks. This allows teams to set up agents that monitor Slack channels or Notion docs and proactively update documentation or landing PRs. This is supported by a new \"Memory\" feature, currently in preview. Memory allows Codex to remember personal preferences, previous corrections, and gathered information, reducing the need for extensive custom instructions in every new session. \"As you use Codex, Codex also becomes better at being proactive,\" noted Sottiaux. This proactivity manifests in a \"daily brief\" style feature where the app suggests how to start the day by identifying open Google Doc comments or relevant Slack context. It's similar in spirit and practice to the new \"Routines\" feature launched by Anthropic for its Claude Code product earlier this week. Licensing, pricing, and availability OpenAI has recently transitioned toward a more flexible pricing model for teams, including a $100 plan and pay-as-you-go options to accommodate the increased usage of autonomous agents. For individual users, these updates are rolling out today to those signed in to the Codex desktop app with ChatGPT. While the Codex desktop app is available on both macOS and Windows , the rollout of specific features is tiered: Background Computer Use : macOS only at launch. Personalization (Memory\/Suggestions) : Coming soon for Enterprise, Edu, EU, and UK users. Core Software Development Life Cycle Updates : Available to all desktop app users starting today. The vision: from developer tool to Super App for all When asked if these features represent the foundation of an AI \"Super App,\" Sottiaux confirmed the strategy: \"We’re building the Super App in the open and evolving it out of the Codex app\". The goal is to address the reality that developers spend a majority of their time on coordination and context-gathering rather than writing code. By bringing Codex closer to the operating system and the broader ecosystem of developer tools, OpenAI is positioning it as the central nervous system for modern software development. \"Our mission is to ensure that AGI benefits all of humanity,\" the company stated in its official announcement. \"That means narrowing the gap between what people can imagine and what they can actually build\".",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/wlyUc6IcR6mIiA3AM9T06\/56adbce4b13fc8f4926d0b14f5067436\/ChatGPT_Image_Apr_16__2026__12_59_06_PM.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/openai-drastically-updates-codex-desktop-app-to-use-all-other-apps-on-your-computer-generate-images-preview-webpages",
            "date": "2026-04-16",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يقوم OpenAI بتحديث تطبيق Codex لسطح المكتب بشكل جذري لاستخدام جميع التطبيقات الأخرى على جهاز الكمبيوتر الخاص بك، وإنشاء الصور، ومعاينة صفحات الويب",
            "summary_ar": "بعد تأكيد وصولها إلى 3 ملايين مطور أسبوعيًا، تعمل OpenAI على تحديث بيئة مطوري Codex على نطاق واسع عبر تطبيقات Mac وWindows لسطح المكتب اليوم لجعلها أقرب إلى \"التطبيق الفائق\" الذي أكدت الشركة أنها تسعى إلى تحقيقه. قبل اليوم، كانت Codex في المقام الأول بيئة لاستخدام نماذج اللغة الأساسية لـ OpenAI لكتابة البرامج وتحريرها وتصحيح أخطائها وإرسالها وفقًا لتوجيهات المستخدم. الآن، سيكون Codex قادرًا على الوصول إلى جميع التطبيقات الأخرى الموجودة على جهاز الكمبيوتر الخاص بك، وإظهار المعلومات ذات الصلة من داخلها إليك عندما يُطلب منك ذلك أو بشكل استباقي، واتخاذ الإجراءات وفقًا لتوجيهات التطبيقات المذكورة، وفي حالة مستخدمي Mac، يمكنك أيضًا القيام بذلك أثناء الاستمرار في استخدام جهاز الكمبيوتر الخاص بك يدويًا في نفس الوقت مع وكلائك الذين يعملون في الخلفية. أندرو أمبروسينو، أحد الموظفين الفنيين في OpenAI",
            "body_ar": "بعد تأكيد وصولها إلى 3 ملايين مطور أسبوعيًا، تعمل OpenAI على تحديث بيئة مطوري Codex على نطاق واسع عبر تطبيقات Mac وWindows لسطح المكتب اليوم لجعلها أقرب إلى \"التطبيق الفائق\" الذي أكدت الشركة أنها تسعى إلى تحقيقه. قبل اليوم، كانت Codex في المقام الأول بيئة لاستخدام نماذج اللغة الأساسية لـ OpenAI لكتابة البرامج وتحريرها وتصحيح أخطائها وإرسالها وفقًا لتوجيهات المستخدم. الآن، سيكون Codex قادرًا على الوصول إلى جميع التطبيقات الأخرى الموجودة على جهاز الكمبيوتر الخاص بك، وإظهار المعلومات ذات الصلة من داخلها إليك عندما يُطلب منك ذلك أو بشكل استباقي، واتخاذ الإجراءات وفقًا لتوجيهات التطبيقات المذكورة، وفي حالة مستخدمي Mac، يمكنك أيضًا القيام بذلك أثناء الاستمرار في استخدام جهاز الكمبيوتر الخاص بك يدويًا في نفس الوقت مع وكلائك الذين يعملون في الخلفية. وصف أندرو أمبروسينو، أحد الموظفين الفنيين في OpenAI في فريق Codex، التغيير بوضوح في مؤتمر صحفي محظور حضرته بالأمس تقريبًا: \"يمكن لـ Codex في الواقع النقر على التطبيقات، وتشغيل التطبيقات، والكتابة داخل التطبيقات. ويعمل هذا مع أي تطبيقات على جهازك. يحصل Codex على سطح المكتب أيضًا على متصفح الويب المدمج الخاص به، مما يسمح للمستخدمين بمعاينة تطوير الواجهة الأمامية الخاصة بهم، وخط أنابيب متكامل مباشرةً إلى نموذج إنشاء الصور القوي القائم على الذكاء الاصطناعي من OpenAI gpt-image-1.5، مما يسمح للمستخدمين بإنشاء صور لمشاريعهم - كل شيء بدءًا من مواقع الويب إلى العروض التقديمية إلى ألعاب الكمبيوتر القابلة للتشغيل بالكامل مع مئات الأصول - كل ذلك بنفس الأسلوب. وكما قال تيبو \"تيبو\" سوتيو، رئيس Codex في OpenAI، خلال المؤتمر الصحفي: \"الأمر لا يتعلق بالنمو فقط. إنه يضع وكيلًا قادرًا للغاية في أيدي شركات البناء، والآن نرى أننا قادرون على التوسع والقيام بالكثير من العمل بالكامل عبر جهاز الكمبيوتر الخاص بك. \"عندما سُئل عن سبب سعي OpenAI إلى تحقيق كل هذا في Codex، وليس تطبيقه الرئيسي الأكثر شهرة، ChatGPT، قال Sottiaux لـ VentureBeat: \"Codex هو أقوى وكيل لدينا. لقد عمل بالفعل على جهاز الكمبيوتر الخاص بك، ولذا فإننا نعمل على توسيع القدرات هناك. لقد شعرت بأنه طبيعي جدًا. سنجعل الأمر منطقيًا في مرحلة ما.\" يأتي التحديث حيث سبق لشركة Anthropic المنافسة أن تناولت حالات استخدام مماثلة مع إطلاق Claude Cowork وإعادة تصميم طرق عرض تطبيق Claude Code لسطح المكتب، وكلها متاحة داخل تطبيق Claude لسطح المكتب لنظامي التشغيل Mac وWindows. لكن Claude لا يسمح باستخدام مؤشر تطبيق الخلفية المتزامن من تطبيق سطح المكتب عبر جميع تطبيقات المستخدم مثل Codex. العديد من عمليات سير عمل استخدام الكمبيوتر الوكيل في الخلفية على نظام التشغيل macOS. القفزة التكنولوجية الأكثر أهمية في هذا الإصدار هي \"استخدام الكمبيوتر\"، الذي يقتصر حاليًا على مستخدمي نظام التشغيل macOS. تسمح هذه الميزة لـ Codex بالخروج من حاوية chatbot التقليدية \"للرؤية والنقر والكتابة\" عبر جميع التطبيقات الموجودة على الجهاز. والأهم من ذلك، أن هذا يحدث في الخلفية. \"يمكنه استخدام التطبيقات الموجودة على جهاز الكمبيوتر الخاص بك في الخلفية، بدلاً من الاستيلاء على جهاز الكمبيوتر بالكامل،\" أوضح كافري لينش من اتصالات منتج مطور OpenAI. يؤدي ذلك إلى تمكين سير العمل \"متعدد الوكلاء\" حيث قد يقوم Codex باختبار تغيير الواجهة الأمامية أو فرز تذكرة JIRA بينما يستمر المطور في العمل في تطبيق مختلف. بالنسبة لمستخدمي Windows، يظل تطبيق Codex الأساسي لسطح المكتب متاحًا ومدعومًا - كما هو الحال مع سحب المعلومات من تلك التطبيقات لتظهر للمستخدم في Codex - على الرغم من أنه يفتقر إلى تفاعل الخلفية على مستوى المؤشر المتوفر على Mac عند الإطلاق. متجر شامل لتطوير البرامج الشاملة إلى جانب تشغيل نظام التشغيل، تعمل OpenAI على مضاعفة جهودها في \"دورة حياة تطوير البرامج\" (SDLC). يعمل تطبيق Codex الآن وكأنه مساحة عمل موحدة، حيث يدعم كل شيء بدءًا من مراجعات GitHub PR وحتى إدارة البنية التحتية البعيدة. قال أندرو أمبروسينو، رئيس تطوير تطبيق Codex: \"إن أبسط طريقة للتفكير في هذا الإصدار هي تعليم Codex والتطبيق للعمل عبر مساحة سطح أكبر بكثير\". تشتمل مساحة السطح هذه الآن على: متصفح متكامل: يتيح المتصفح داخل التطبيق للمطورين تكرار تصميمات الواجهة الأمامية من خلال التعليق مباشرة على عناصر DOM، مما يوفر تعليمات دقيقة ليتبعها الوكيل. البدائيات المرئية: من خلال دمج gpt-image-1.5، يمكن لـ Codex الآن إنشاء صور لنماذج بالحجم الطبيعي وأصول اللعبة وتكرارها مباشرةً ضمن سير عمل التطوير. الشريط الجانبي الموسع: يتضمن التطبيق الآن معاينات غنية للملفات غير البرمجية مثل ملفات PDF وجداول البيانات ومجموعات الشرائح، إلى جانب جزء ملخص لتتبع خطط الوكيل ومصادره. Terminal & SSH: يضيف التحديث دعمًا لعلامات تبويب طرفية متعددة وميزة ألفا للاتصال بصناديق التطوير البعيدة عبر SSH. لربط هذه المهام المتباينة، تقوم OpenAI بإصدار أكثر من 90 مكونًا إضافيًا جديدًا. تسمح هذه الموصلات - بما في ذلك CircleCI وGitLab وMicrosoft Suite - للوكيل بجمع السياق واتخاذ الإجراءات عبر سلسلة الأدوات بأكملها التي يستخدمها المطور يوميًا. في مقطع فيديو تجريبي تم عرضه أثناء الإحاطة، قدمت OpenAI مثالاً يظهر المستخدم وهو يكتب في حقل الإدخال الفوري لـ Codex، \"هل يمكنك التحقق من Slack وGmail وتقويم Google وNotion وإخباري بما يحتاج إلى اهتمامي؟\" يوضح كيف يمكن لـ Codex الآن إجراء فحص عبر تطبيقات متعددة وجمع المعلومات منها جميعًا في رسالة واحدة، وإظهار ما يهم المستخدم أكثر. قال أمبروسينو: \"يمكنك ذكرهم @ إذا كنت تريد أن يستخدم Codex تطبيقًا معينًا، أو إذا لم يكن الأمر كذلك، فيمكن لـ Codex اكتشاف التطبيقات التي يجب استخدامها\". \"نبض\" الإنتاجية أحد التحولات الأكثر دقة ولكن القوية هو إدخال الوكالة المستمرة. من خلال \"أتمتة نبضات القلب\"، يستطيع Codex الآن جدولة العمل المستقبلي لنفسه و\"الاستيقاظ\" لمواصلة المهام طويلة المدى. يسمح هذا للفرق بإعداد وكلاء يراقبون قنوات Slack أو مستندات Notion ويقومون بتحديث الوثائق أو العلاقات العامة بشكل استباقي ويدعم ذلك ميزة \"الذاكرة\" الجديدة، وهي قيد المعاينة حاليًا. تسمح الذاكرة لـ Codex بتذكر التفضيلات الشخصية والتصحيحات السابقة والمعلومات المجمعة، مما يقلل الحاجة إلى تعليمات مخصصة واسعة النطاق في كل جلسة جديدة. وأشار سوتيو إلى أنه \"بينما تستخدم الدستور الغذائي، يصبح الدستور الغذائي أيضًا أفضل في التصرف بشكل استباقي\". يتجلى هذا النشاط الاستباقي في ميزة نمط \"الموجز اليومي\" حيث يقترح التطبيق كيفية بدء اليوم من خلال تحديد تعليقات مستند Google المفتوحة أو سياق Slack ذي الصلة. إنها مشابهة من حيث الروح والممارسة لميزة \"Routines\" الجديدة التي أطلقتها Anthropic لمنتج Claude Code الخاص بها في وقت سابق من هذا الأسبوع. الترخيص والتسعير والتوافر انتقلت OpenAI مؤخرًا نحو نموذج تسعير أكثر مرونة للفرق، بما في ذلك خطة بقيمة 100 دولار وخيارات الدفع أولاً بأول لاستيعاب الاستخدام المتزايد للوكلاء المستقلين. بالنسبة للمستخدمين الفرديين، سيتم طرح هذه التحديثات اليوم لأولئك الذين سجلوا الدخول إلى تطبيق Codex لسطح المكتب باستخدام ChatGPT. على الرغم من أن تطبيق Codex لسطح المكتب متاح على كل من نظامي التشغيل macOS وWindows، إلا أن طرح ميزات محددة يكون متدرجًا: استخدام الكمبيوتر في الخلفية: نظام التشغيل macOS عند الإطلاق فقط. التخصيص (الذاكرة\/الاقتراحات): يتوفر قريبًا لمستخدمي المؤسسات والتعليم والاتحاد الأوروبي والمملكة المتحدة. تحديثات دورة حياة تطوير البرامج الأساسية: متاحة لجميع مستخدمي تطبيقات سطح المكتب بدءًا من اليوم. الرؤية: من أداة المطور إلى التطبيق الفائق للجميع عندما سئل عما إذا كانت هذه الميزات تمثل أساس \"التطبيق الفائق\" للذكاء الاصطناعي، أكد سوتيو الاستراتيجية: \"نحن نبني التطبيق الفائق بشكل مفتوح ونطوره خارج تطبيق Codex\". الهدف هو معالجة حقيقة أن المطورين يقضون معظم وقتهم في التنسيق وجمع السياق بدلاً من كتابة التعليمات البرمجية. من خلال تقريب Codex من نظام التشغيل والنظام البيئي الأوسع لأدوات المطورين، فإن OpenAI تضعه كجهاز عصبي مركزي لتطوير البرمجيات الحديثة. وذكرت الشركة في إعلانها الرسمي: \"مهمتنا هي التأكد من أن الذكاء الاصطناعي العام يفيد البشرية جمعاء\". \"وهذا يعني تضييق الفجوة بين ما يمكن أن يتخيله الناس وما يمكن أن يتخيلوه في الواقع يبني\".",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/anthropic-releases-claude-opus-4-7-narrowly-retaking-lead-for-most-powerful-generally-available-llm",
            "title_en": "Anthropic releases Claude Opus 4.7, narrowly retaking lead for most powerful generally available LLM",
            "summary_en": "Anthropic is publicly releasing its most powerful large language model yet, Claude Opus 4.7 , today — as it continues to keep an even more powerful successor, Mythos, restricted to a small number of external enterprise partners for cybersecurity testing and patching vulnerabilities in the software said enterprises use (which Mythos exposed rapidly). The big headlines are that Opus 4.7 exceeds its most direct rivals — OpenAI's GPT-5.4, released in early March 2026 , scarcely more than a month ago; and Google's latest flagship model Gemini 3.1 Pro from February — on key benchmarks including agentic coding, scaled tool-use, agentic computer use, and financial analysis. But also, it's notable how tight the race is getting: on directly comparable benchmarks, Opus 4.7 only leads G",
            "body_en": "Anthropic is publicly releasing its most powerful large language model yet, Claude Opus 4.7 , today — as it continues to keep an even more powerful successor, Mythos, restricted to a small number of external enterprise partners for cybersecurity testing and patching vulnerabilities in the software said enterprises use (which Mythos exposed rapidly). The big headlines are that Opus 4.7 exceeds its most direct rivals — OpenAI's GPT-5.4, released in early March 2026 , scarcely more than a month ago; and Google's latest flagship model Gemini 3.1 Pro from February — on key benchmarks including agentic coding, scaled tool-use, agentic computer use, and financial analysis. But also, it's notable how tight the race is getting: on directly comparable benchmarks, Opus 4.7 only leads GPT-5.4 by 7-4. It currently leads the market on the GDPVal-AA knowledge work evaluation with an Elo score of 1753, surpassing both GPT-5.4 (1674) and Gemini 3.1 Pro (1314). Yet, the model does not represent a \"clean sweep\" across all categories. Competitors like GPT-5.4 and Gemini 3.1 Pro still hold the lead in specific domains such as agentic search, where GPT-5.4 scores 89.3% compared to Opus 4.7’s 79.3%, as well as in multilingual Q&A and raw terminal-based coding. This positioning defines Opus 4.7 not as a unilateral victor in all AI tasks, but as a specialized powerhouse optimized for the reliability and long-horizon autonomy required by the burgeoning agentic economy. Claude Opus 4.7 is available today across all major cloud platforms, including Amazon Bedrock, Google Cloud’s Vertex AI, and Microsoft Foundry, with API pricing held steady at $5\/$25 per million tokens . Improvement in hard sciences and agentic workflows Claude Opus 4.7 is a direct evolution of the Opus 4.6 architecture, but its performance delta is most visible in the \"hard\" sciences of agentic workflows: software engineering and complex document reasoning. At its core, the model has been re-tuned to exhibit what Anthropic describes as \"rigor\". This isn't just marketing parlance; it refers to the model’s new ability to devise its own verification steps before reporting a task as complete. For example, in internal tests, the model was observed building a Rust-based text-to-speech engine from scratch and then independently feeding its own generated audio through a separate speech recognizer to verify the output against a Python reference. This level of autonomous self-correction is designed to reduce the \"hallucination loops\" that often plague earlier iterations of agentic software. The most significant architectural upgrade is the move to high-resolution multimodal support. Opus 4.7 can now process images up to 2,576 pixels on their longest edge—roughly 3.75 megapixels. This represents a three-fold increase in resolution compared to previous iterations. For developers building \"computer-use\" agents that must navigate dense, high-DPI interfaces or for analysts extracting data from intricate technical diagrams, this change effectively removes the \"blurry vision\" ceiling that previously limited autonomous navigation. This visual acuity is reflected in benchmarks from XBOW, where the model jumped from a 54.5% success rate in visual-acuity tests to 98.5%. On the benchmark front, Opus 4.7 has claimed the top spot in several critical categories: Knowledge Work (GDPVal-AA): It achieved an Elo score of 1753, notably outperforming GPT-5.4 (1674) and Gemini 3.1 Pro (1314). Agentic Coding (SWE-bench Pro): The model resolved 64.3% of tasks, compared to 53.4% for its predecessor. Graduate-Level Reasoning (GPQA Diamond): It reached 94.2%, maintaining parity with the industry's most advanced models while improving on its internal consistency. Visual Reasoning (arXiv Reasoning): With tools, the model scored 91.0%, a meaningful jump from the 84.7% seen in Opus 4.6. Crucially, Anthropic warns that this increased precision requires a shift in how users approach prompting. Opus 4.7 follows instructions literally. While older models might \"read between the lines\" and interpret ambiguous prompts loosely, Opus 4.7 executes the exact text provided. This means that legacy prompt libraries may require re-tuning to avoid unexpected results caused by the model’s strict adherence to the letter of the request. Controlling the 'thinking' budget The \"agentic\" nature of Opus 4.7—its tendency to pause, plan, and verify—comes with a trade-off in token consumption and latency. To address this, Anthropic is introducing a new \"effort\" parameter. Users can now select an xhigh (extra high) effort level, positioned between high and max, allowing for more granular control over the depth of reasoning the model applies to a specific problem. Internal data shows that while max effort yields the highest scores (approaching 75% on coding tasks), the xhigh setting provides a compelling sweet spot between performance and token expenditure. To manage the costs associated with these more \"thoughtful\" runs, the Claude API is introducing \"task budgets\" in public beta. This allows developers to set a hard ceiling on token spend for autonomous agents, ensuring that a long-running debugging session doesn't result in an unexpected bill. These product changes signal a maturing market where AI is no longer a novelty but a production line item that requires fiscal and operational guardrails. Furthermore, Opus 4.7 utilizes an updated tokenizer that improves text processing efficiency, though it can increase the token count of certain inputs by 1.0–1.35x. Within the Claude Code environment, the update brings a new \/ultrareview command. Unlike standard code reviews that look for syntax errors, \/ultrareview is designed to simulate a senior human reviewer, flagging subtle design flaws and logic gaps. Additionally, \"auto mode\"—a setting where Claude can make autonomous decisions without constant permission prompts—has been extended to Max plan users. Licensing, safety, and the \"cyber\" divide Anthropic continues to walk a narrow line regarding cybersecurity. The recent announcement of the aforementioend cybersecurity partnership around Mythos with external industry partners — known as \"Project Glasswing\" — highlighted the dual-use risks of high-capability models. Consequently, while the flagship Mythos Preview model remains restricted, Opus 4.7 serves as the testbed for new automated safeguards. The model includes systems designed to detect and block requests that suggest high-risk cyberattacks, such as automated vulnerability exploitation. To bridge the gap for the security industry, Anthropic is launching the Cyber Verification Program. This allows legitimate professionals—vulnerability researchers, penetration testers, and red-teamers—to apply for access to use Opus 4.7’s capabilities for defensive purposes. This \"verified user\" model suggests a future where the most capable AI features are not universally available, but gated behind professional credentials and compliance frameworks. In cybersecurity vulnerability reproduction (CyberGym), Opus 4.7 maintains a 73.1% success rate, trailing Mythos Preview's 83.1% but leading GPT-5.4's 66.3%. Initial reactions from industry partners reveal quantifiable improvements in production enterprise workflows Early testimonials from enterprise customers shared by Anthropic indicate there has been a tangible shift in model perception of Opus 4.7 from 4.6, going from \"impressed by the tech\" to \"relying on the output\". Clarence Huang, VP of Technology at Intuit, noted that the model’s ability to \"catch its own logical faults during the planning phase\" is a game-changer for velocity. This sentiment was echoed by Replit President Michele Catasta, who stated that the model achieved higher quality at a lower cost for tasks like log analysis and bug hunting, adding, \"It really feels like a better coworker\". Other specific reactions included: Cognition (Devin): CEO Scott Wu reported that Opus 4.7 can work coherently \"for hours\" and pushes through difficult problems that previously caused models to stall. Notion: Sarah Sachs, AI Lead, highlighted a 14% improvement in multi-step workflows and a 66% reduction in tool-calling errors, making the agent feel like a \"true teammate\". Factory Droids: Leo Tchourakov observed that the model carries work through to validation steps rather than \"stopping halfway,\" a common complaint with previous frontier models. Harvey: Niko Grupen, Head of Applied Research, noted the model's 90.9% score on BigLaw Bench, highlighting its \"noticeably smarter handling of ambiguous document editing tasks\". Perhaps the most telling reaction came from Aj Orbach, CEO of a dashboard-building firm, who remarked on the model’s \"design taste,\" noting that its choices for data-rich interfaces were of a quality he would \"actually ship\". Should enterprises immediately upgrade to Opus 4.7? For enterprise leaders, Claude Opus 4.7 represents a shift from generative AI as a \"creative assistant\" to a \"reliable operative.\" But importantly, it is not a \"clean win\" for every use case. Instead, it is a decisive upgrade for teams building autonomous agents or complex software systems. The primary value proposition is the model's new capability for self-verification and rigor; it no longer just generates an answer but creates internal tests to verify that the answer is correct before responding. This reliability makes it a superior choice for long-horizon engineering tasks where the cost of human supervision is the primary bottleneck. However, an immediate, wholesale migration from Opus 4.6 requires caution . The model's increased literalism in instruction following means that prompts engineered to be \"loose\" or conversational with previous versions may now produce unexpected or overly rigid results. Furthermore, enterprises must prepare for a significant increase in operational costs. Opus 4.7 uses an updated tokenizer that can increase input token counts by 1.0–1.35x, and its tendency to \"think harder\" at high effort levels results in higher output token consumption. For legacy applications where prompts are fragile and margins are thin, a phased rollout with significant re-tuning is recommended. Where it puts Anthropic in the AI race This release arrives at a paradoxical moment for Anthropic. Financially, the company is an undisputed juggernaut, with venture capital firms reportedly extending investment offers at a staggering $800 billion valuation—more than double its $380 billion Series G valuation from February 2026. This momentum is fueled by explosive growth, with the company’s annual run-rate revenue skyrocketing to $30 billion in April 2026, driven largely by enterprise adoption and the success of Claude Code. Yet, this commercial success is being contested by intense regulatory and technical friction. Anthropic is currently embroiled in a high-stakes legal battle with the U.S. Department of War (DoW) , which recently labeled the company a \"supply chain risk\" after Anthropic refused to allow its models to be used for mass surveillance or fully autonomous lethal weapons. While a San Francisco judge initially blocked the designation, a federal appeals panel recently denied Anthropic’s bid to stay the blacklisting , leaving the company excluded from lucrative defense contracts during an active military conflict. Simultaneously, Anthropic is fending off a growing rebellion from its most loyal power users. Despite the company's \"market leader\" status, developers have flooded GitHub and X with accusations of \"AI shrinkflation,\" claiming that the preceding Opus 4.6 model and Claude Code product have been quietly degraded. Users report that recent versions are more prone to exploration loops, memory loss, and ignored instructions, leading some to describe the newly released Claude Code desktop app as \"unpolished\" and unbefitting a firm with a near-trillion-dollar valuation. Opus 4.7 is Anthropic's attempt to silence these critics by proving that \"deep thinking\" can be paired with the rigorous execution that its enterprise clients now demand. Ultimately, Opus 4.7 is a model defined by its discipline. In a market where models are often incentivized to be \"helpful\" to a fault—sometimes hallucinating answers to please the user—Opus 4.7 marks a return to rigor. By allowing users to control effort, set budgets, and verify outputs, Anthropic is moving closer to the goal of a truly autonomous digital labor force. For the engineering teams at Replit, Notion, and beyond, the shift from \"watching the AI work\" to \"managing the AI's results\" has officially begun.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/Seh68p8wVtjmUzumzSTB9\/82e03ea5925ffe574098a259daef121f\/Gemini_Generated_Image_a606wa606wa606wa.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/anthropic-releases-claude-opus-4-7-narrowly-retaking-lead-for-most-powerful-generally-available-llm",
            "date": "2026-04-16",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "إصدارات Anthropic لـ Claude Opus 4.7، والتي تستعيد الصدارة بفارق ضئيل لأقوى LLM المتاحة بشكل عام",
            "summary_ar": "تطلق Anthropic بشكل علني أقوى نموذج لغوي كبير لها حتى الآن، Claude Opus 4.7، اليوم - مع استمرارها في الاحتفاظ بخليفة أكثر قوة، Mythos، يقتصر على عدد صغير من شركاء المؤسسات الخارجيين لاختبار الأمن السيبراني وتصحيح نقاط الضعف في البرنامج الذي تستخدمه المؤسسات (والذي كشفته Mythos بسرعة). العناوين الرئيسية هي أن Opus 4.7 يتفوق على معظم منافسيه المباشرين - OpenAI's GPT-5.4، الذي تم إصداره في أوائل مارس 2026، منذ ما يزيد قليلاً عن شهر؛ وأحدث طراز رئيسي من Google Gemini 3.1 Pro من فبراير - وفقًا للمعايير الرئيسية بما في ذلك الترميز الوكيل، والاستخدام الموسع للأدوات، والاستخدام الوكيل للكمبيوتر، والتحليل المالي. ولكن من الملحوظ أيضًا مدى ضيق السباق: وفقًا لمعايير قابلة للمقارنة مباشرة، يتقدم Opus 4.7 فقط",
            "body_ar": "تطلق Anthropic بشكل علني أقوى نموذج لغوي كبير لها حتى الآن، Claude Opus 4.7، اليوم - مع استمرارها في الاحتفاظ بخليفة أكثر قوة، Mythos، يقتصر على عدد صغير من شركاء المؤسسات الخارجيين لاختبار الأمن السيبراني وتصحيح نقاط الضعف في البرنامج الذي تستخدمه المؤسسات (والذي كشفته Mythos بسرعة). العناوين الرئيسية هي أن Opus 4.7 يتفوق على معظم منافسيه المباشرين - OpenAI's GPT-5.4، الذي تم إصداره في أوائل مارس 2026، منذ ما يزيد قليلاً عن شهر؛ وأحدث طراز رئيسي من Google Gemini 3.1 Pro من فبراير - وفقًا للمعايير الرئيسية بما في ذلك الترميز الوكيل، والاستخدام الموسع للأدوات، والاستخدام الوكيل للكمبيوتر، والتحليل المالي. ولكن أيضًا، من الجدير بالملاحظة مدى ضيق السباق: وفقًا لمعايير قابلة للمقارنة مباشرة، يتفوق Opus 4.7 على GPT-5.4 بفارق 7-4 فقط. وهي تقود حاليًا السوق في تقييم العمل المعرفي الخاص بـGDPVal-AA بدرجة Elo تبلغ 1753، متجاوزة كلاً من GPT-5.4 (1674) وGemini 3.1 Pro (1314). ومع ذلك، فإن النموذج لا يمثل \"مسحًا نظيفًا\" لجميع الفئات. لا يزال المنافسون مثل GPT-5.4 وGemini 3.1 Pro يحتفظون بالصدارة في مجالات محددة مثل البحث الوكيل، حيث سجل GPT-5.4 89.3% مقارنة بـ Opus 4.7 الذي حصل على 79.3%، وكذلك في الأسئلة والأجوبة متعددة اللغات والتشفير الأولي القائم على المحطة الطرفية. يحدد هذا الموقع Opus 4.7 ليس كمنتصر أحادي الجانب في جميع مهام الذكاء الاصطناعي، ولكن كقوة متخصصة مُحسّنة لتحقيق الموثوقية والاستقلالية طويلة المدى التي يتطلبها الاقتصاد الوكيل المزدهر. يتوفر Claude Opus 4.7 اليوم عبر جميع المنصات السحابية الرئيسية، بما في ذلك Amazon Bedrock وGoogle Cloud’s Vertex AI وMicrosoft Foundry، مع ثبات أسعار API عند 5 دولارات\/25 دولارًا لكل مليون رمز مميز. تحسين العلوم الصعبة وسير العمل الوكيل يعد كلود أوبوس 4.7 تطورًا مباشرًا لبنية Opus 4.6، لكن دلتا أدائه تكون أكثر وضوحًا في العلوم \"الصعبة\" لسير العمل الوكيل: هندسة البرمجيات واستدلال المستندات المعقدة. تمت إعادة ضبط النموذج في جوهره ليعرض ما تصفه الأنثروبيك بـ \"الصرامة\". هذه ليست مجرد لغة تسويقية؛ فهو يشير إلى قدرة النموذج الجديدة على ابتكار خطوات التحقق الخاصة به قبل الإبلاغ عن المهمة على أنها مكتملة. على سبيل المثال، في الاختبارات الداخلية، تمت ملاحظة النموذج وهو يقوم ببناء محرك تحويل النص إلى كلام قائم على Rust من البداية ثم يقوم بشكل مستقل بتغذية الصوت الناتج الخاص به من خلال أداة التعرف على الكلام المنفصلة للتحقق من الإخراج مقابل مرجع Python. تم تصميم هذا المستوى من التصحيح الذاتي المستقل لتقليل \"حلقات الهلوسة\" التي غالبًا ما ابتليت بها التكرارات السابقة للبرامج الوكيلة. أهم ترقية معمارية هي الانتقال إلى دعم الوسائط المتعددة عالي الدقة. يمكن لـ Opus 4.7 الآن معالجة صور يصل حجمها إلى 2576 بكسل على الحافة الأطول، أي حوالي 3.75 ميجابكسل. ويمثل هذا زيادة في الدقة بمقدار ثلاثة أضعاف مقارنة بالتكرارات السابقة. بالنسبة للمطورين الذين يقومون ببناء وكلاء \"لاستخدام الكمبيوتر\" الذين يجب عليهم التنقل في واجهات كثيفة وعالية DPI أو للمحللين الذين يستخرجون البيانات من المخططات الفنية المعقدة، فإن هذا التغيير يزيل بشكل فعال سقف \"الرؤية الضبابية\" الذي كان يحد في السابق من التنقل المستقل. تنعكس حدة البصر هذه في معايير XBOW، حيث قفز النموذج من معدل نجاح قدره 54.5% في اختبارات حدة البصر إلى 98.5%. على الصعيد المعياري، احتل Opus 4.7 المركز الأول في العديد من الفئات المهمة: العمل المعرفي (GDPVal-AA): حقق درجة Elo قدرها 1753، متفوقًا بشكل ملحوظ على GPT-5.4 (1674) وGemini 3.1 Pro (1314). التشفير الوكيل (SWE-bench Pro): نجح النموذج في حل 64.3% من المهام، مقارنة بـ 53.4% ​​للنموذج السابق. الاستدلال على مستوى الخريجين (GPQA Diamond): وصل إلى 94.2%، مع الحفاظ على التكافؤ مع النماذج الأكثر تقدمًا في الصناعة مع تحسين اتساقها الداخلي. الاستدلال البصري (استدلال arXiv): باستخدام الأدوات، سجل النموذج 91.0%، وهي قفزة كبيرة من 84.7% المسجلة في Opus 4.6. والأهم من ذلك، أنثروبيك تحذر من أن هذه الدقة المتزايدة تتطلب تحولا في كيفية تعامل المستخدمين مع التحفيز. Opus 4.7 يتبع التعليمات حرفيًا. في حين أن النماذج القديمة قد \"تقرأ ما بين السطور\" وتفسر المطالبات الغامضة بشكل فضفاض، فإن Opus 4.7 ينفذ النص المحدد المقدم. وهذا يعني أن مكتبات الموجهات القديمة قد تحتاج إلى إعادة الضبط لتجنب النتائج غير المتوقعة الناتجة عن الالتزام الصارم للنموذج بنص الطلب. التحكم في ميزانية \"التفكير\" إن الطبيعة \"الوكيلة\" لـ Opus 4.7 - ميلها إلى التوقف والتخطيط والتحقق - تأتي مع مقايضة في استهلاك الرمز المميز وزمن الوصول. ولمعالجة هذه المشكلة، تقدم Anthropic معلمة \"الجهد\" الجديدة. يمكن للمستخدمين الآن تحديد مستوى جهد xhigh (مرتفع جدًا)، يقع بين الحد الأقصى والحد الأقصى، مما يسمح بمزيد من التحكم الدقيق في عمق المنطق الذي ينطبق عليه النموذج على مشكلة معينة. تُظهر البيانات الداخلية أنه على الرغم من أن الحد الأقصى من الجهد يؤدي إلى أعلى الدرجات (تقترب من 75% في مهام البرمجة)، فإن الإعداد xhigh يوفر نقطة توازن مقنعة بين الأداء ونفقات الرمز المميز. لإدارة التكاليف المرتبطة بهذه العمليات \"المدروسة\"، تقدم واجهة برمجة تطبيقات Claude \"ميزانيات المهام\" في الإصدار التجريبي العام. يتيح ذلك للمطورين وضع سقف صارم لإنفاق الرمز المميز للوكلاء المستقلين، مما يضمن أن جلسة تصحيح الأخطاء طويلة الأمد لا تؤدي إلى فاتورة غير متوقعة. تشير هذه التغييرات في المنتجات إلى سوق ناضجة حيث لم يعد الذكاء الاصطناعي حداثة، بل أصبح أحد عناصر خط الإنتاج الذي يتطلب حواجز حماية مالية وتشغيلية. علاوة على ذلك، يستخدم Opus 4.7 أداة رمزية محدثة تعمل على تحسين كفاءة معالجة النص، على الرغم من أنه يمكن أن يزيد عدد الرموز المميزة لبعض المدخلات بمقدار 1.0-1.35x. ضمن بيئة Claude Code، يجلب التحديث أمر \/ultrareview جديد. على عكس مراجعات التعليمات البرمجية القياسية التي تبحث عن أخطاء في بناء الجملة، تم تصميم \/ultrareview لمحاكاة أحد كبار المراجعين البشريين، مع الإشارة إلى عيوب التصميم الدقيقة والفجوات المنطقية. بالإضافة إلى ذلك، تم توسيع \"الوضع التلقائي\" - وهو الإعداد الذي يمكن لـ Claude من خلاله اتخاذ قرارات مستقلة دون مطالبات مستمرة بالإذن - ليشمل مستخدمي خطة Max. الترخيص والسلامة والفجوة \"السيبرانية\" تواصل الأنثروبيك السير على خط ضيق فيما يتعلق بالأمن السيبراني. إن الإعلان الأخير عن شراكة الأمن السيبراني المذكورة أعلاه حول Mythos مع شركاء الصناعة الخارجيين - المعروفين باسم \"Project Glasswing\" - سلط الضوء على مخاطر الاستخدام المزدوج للنماذج عالية القدرة. وبالتالي، في حين أن نموذج Mythos Preview الرئيسي لا يزال مقيدًا، فإن Opus 4.7 يعمل بمثابة اختبار للضمانات الآلية الجديدة. يتضمن النموذج أنظمة مصممة لكشف وحظر الطلبات التي تشير إلى هجمات إلكترونية عالية الخطورة، مثل استغلال الثغرات الأمنية تلقائيًا. لسد الفجوة في صناعة الأمن، تطلق Anthropic برنامج التحقق السيبراني. يتيح ذلك للمهنيين الشرعيين - الباحثين في مجال الثغرات الأمنية، ومختبري الاختراق، والفرق الحمراء - التقدم بطلب للوصول لاستخدام قدرات Opus 4.7 لأغراض دفاعية. يشير نموذج \"المستخدم الذي تم التحقق منه\" هذا إلى مستقبل لا تكون فيه ميزات الذكاء الاصطناعي الأكثر قدرة متاحة عالميًا، ولكنها محاطة بأوراق اعتماد احترافية وأطر امتثال. في إعادة إنتاج ثغرات الأمن السيبراني (CyberGym)، يحافظ Opus 4.7 على معدل نجاح يبلغ 73.1%، متخلفًا عن Mythos Preview الذي يبلغ 83.1% ولكنه يتفوق على GPT-5.4 الذي يبلغ 66.3%. تكشف ردود الفعل الأولية من شركاء الصناعة عن تحسينات قابلة للقياس في سير عمل مؤسسات الإنتاج. تشير الشهادات المبكرة من عملاء المؤسسات التي شاركتها Anthropic إلى وجود تحول ملموس في تصور نموذج Opus 4.7 من 4.6، والانتقال من \"الإعجاب بالتكنولوجيا\" إلى \"الاعتماد على المخرجات\". أشار كلارنس هوانغ، نائب رئيس قسم التكنولوجيا في شركة Intuit، إلى أن قدرة النموذج على \"اكتشاف الأخطاء المنطقية الخاصة به أثناء مرحلة التخطيط\" تعد بمثابة تغيير في قواعد اللعبة بالنسبة للسرعة. وقد ردد رئيس شركة Replet، ميشيل كاتاستا، هذا الرأي، حيث ذكر أن النموذج حقق جودة أعلى بتكلفة أقل لمهام مثل تحليل السجلات واصطياد الأخطاء، مضيفًا: \"إنه حقًا يبدو وكأنه زميل عمل أفضل\". وشملت ردود الفعل المحددة الأخرى ما يلي: الإدراك (ديفين): أفاد الرئيس التنفيذي سكوت وو أن Opus 4.7 يمكن أن يعمل بشكل متماسك \"لساعات\" ويتغلب على المشكلات الصعبة التي تسببت سابقًا في توقف النماذج. الفكرة: سلطت سارة ساكس، قائدة الذكاء الاصطناعي، الضوء على التحسن بنسبة 14% في سير العمل متعدد الخطوات وانخفاض بنسبة 66% في أخطاء استدعاء الأدوات، مما يجعل الوكيل يشعر وكأنه \"زميل حقيقي في الفريق\". Factory Droids: لاحظ ليو تشوراكوف أن النموذج ينفذ العمل حتى خطوات التحقق من الصحة بدلاً من \"التوقف في منتصف الطريق\"، وهي شكوى شائعة في النماذج الحدودية السابقة. هارفي: أشار نيكو جروبين، رئيس قسم الأبحاث التطبيقية، إلى حصول النموذج على 90.9% في BigLaw Bench، مسلطًا الضوء على \"التعامل الأكثر ذكاءً بشكل ملحوظ مع مهام تحرير المستندات الغامضة\". ولعل رد الفعل الأكثر دلالة جاء من آج أورباخ، الرئيس التنفيذي لشركة بناء لوحات المعلومات، الذي علق على \"ذوق التصميم\" للنموذج، مشيرًا إلى أن اختياراته للواجهات الغنية بالبيانات كانت ذات جودة \"سيشحنها بالفعل\". هل يجب على الشركات الترقية فورًا إلى Opus 4.7؟ بالنسبة لقادة المؤسسات، يمثل Claude Opus 4.7 تحولًا من الذكاء الاصطناعي التوليدي باعتباره \"مساعدًا إبداعيًا\" إلى \"عميل موثوق به\". ولكن الأهم من ذلك، أنه ليس \"فوزًا نظيفًا\" لكل حالة استخدام. وبدلاً من ذلك، فهي ترقية حاسمة للفرق التي تقوم ببناء وكلاء مستقلين أو أنظمة برمجية معقدة. القيمة الأساسية المقترحة هي القدرة الجديدة للنموذج على التحقق الذاتي والدقة؛ لم يعد يقوم بإنشاء إجابة فحسب، بل يقوم بإنشاء اختبارات داخلية للتحقق من صحة الإجابة قبل الاستجابة. هذه الموثوقية تجعلها خيارًا ممتازًا للمهام الهندسية بعيدة المدى حيث تكون تكلفة الإشراف البشري هي عنق الزجاجة الأساسي. ومع ذلك، فإن الترحيل الفوري والجملي من Opus 4.6 يتطلب الحذر. إن زيادة حرفية النموذج في اتباع التعليمات تعني أن المطالبات المصممة لتكون \"فضفاضة\" أو محادثة مع الإصدارات السابقة قد تؤدي الآن إلى نتائج غير متوقعة أو جامدة للغاية. علاوة على ذلك، يجب على الشركات الاستعداد لزيادة كبيرة في تكاليف التشغيل. يستخدم Opus 4.7 أداة رمزية محدثة يمكنها زيادة عدد الرموز المميزة للإدخال بمقدار 1.0–1.35x، ويؤدي ميلها إلى \"التفكير بجدية أكبر\" عند مستويات الجهد العالية إلى زيادة استهلاك الرموز المميزة للمخرجات. بالنسبة للتطبيقات القديمة حيث تكون المطالبات هشة والهوامش ضئيلة، يوصى بالبدء المرحلي مع إعادة ضبط كبيرة. حيث يضع الأنثروبي في سباق الذكاء الاصطناعي. يصل هذا الإصدار إلى لحظة متناقضة بالنسبة للأنثروبي. من الناحية المالية، تعد الشركة قوة طاغية بلا منازع، حيث تفيد التقارير أن شركات رأس المال الاستثماري تقدم عروض استثمارية بتقييم مذهل قدره 800 مليار دولار - أي أكثر من ضعف تقييم السلسلة G البالغ 380 مليار دولار اعتبارًا من فبراير 2026. ويغذي هذا الزخم النمو الهائل، مع ارتفاع إيرادات معدل التشغيل السنوي للشركة إلى 30 مليار دولار في أبريل 2026، مدفوعًا إلى حد كبير بتبني المؤسسة ونجاح كلود كود. ومع ذلك، فإن هذا النجاح التجاري يتعرض للطعن بسبب الاحتكاك التنظيمي والفني الشديد. تخوض شركة Anthropic حاليًا معركة قانونية عالية المخاطر مع وزارة الحرب الأمريكية (DoW)، التي صنفت الشركة مؤخرًا على أنها \"خطر سلسلة التوريد\" بعد أن رفضت Anthropic السماح باستخدام نماذجها للمراقبة الجماعية أو الأسلحة الفتاكة المستقلة بالكامل. وبينما قام قاض في سان فرانسيسكو بمنع التصنيف في البداية، رفضت لجنة الاستئناف الفيدرالية مؤخرًا محاولة شركة أنثروبيك للإبقاء على القائمة السوداء، مما أدى إلى استبعاد الشركة من عقود الدفاع المربحة أثناء صراع عسكري نشط. في الوقت نفسه، أنثروبيك تتصدى لتمرد متزايد من مستخدميها الأقوياء الأكثر ولاءً. على الرغم من مكانة الشركة \"الرائدة في السوق\"، فقد أغرق المطورون GitHub وX باتهامات \"انكماش الذكاء الاصطناعي\"، زاعمين أن نموذج Opus 4.6 السابق ومنتج Claude Code قد تدهورا بهدوء. أفاد المستخدمون أن الإصدارات الحديثة أكثر عرضة لحلقات الاستكشاف، وفقدان الذاكرة، وتجاهل التعليمات، مما دفع البعض إلى وصف تطبيق Claude Code لسطح المكتب الذي تم إصداره حديثًا بأنه \"غير مصقول\" ولا يليق بشركة تبلغ قيمتها التقديرية ما يقرب من تريليون دولار. Opus 4.7 هي محاولة Anthropic لإسكات هؤلاء النقاد من خلال إثبات أن \"التفكير العميق\" يمكن أن يقترن بالتنفيذ الصارم الذي يطلبه الآن عملاؤها من المؤسسات. في نهاية المطاف، يعد Opus 4.7 نموذجًا يحدده تخصصه. في السوق حيث يتم تحفيز النماذج في كثير من الأحيان لتكون \"مفيدة\" لخطأ ما - في بعض الأحيان هلوسة الإجابات لإرضاء المستخدم - يمثل Opus 4.7 عودة إلى الدقة. ومن خلال السماح للمستخدمين بالتحكم في الجهود، وتحديد الميزانيات، والتحقق من المخرجات، تقترب أنثروبيك من هدف قوة عمل رقمية مستقلة حقًا. بالنسبة للفرق الهندسية في Replet وNotion وغيرهما، أصبح التحول من \"مراقبة عمل الذكاء الاصطناعي\" إلى \"إدارة نتائج الذكاء الاصطناعي\" رسميًا بدأت.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/16\/1135216\/making-ai-operational-in-constrained-public-sector-environments\/",
            "title_en": "Making AI operational in constrained public sector environments",
            "summary_en": "The AI boom has hit across industries, and public sector organizations are facing pressure to accelerate adoption. At the same time, government institutions face distinct constraints around security, governance, and operations that set them apart from their business counterparts. For this reason, purpose-built small language models (SLMs) offer a promising path to operationalize AI in these environments. A Capgemini study found that 79 percent of public sector executives globally are wary about AI’s data security, an understandable figure given the heightened sensitivity of government data and the legal obligations surrounding its use. As Han Xiao, vice president of AI at Elastic, says, “Government agencies must be very restricted about what kind of data they send to the network. This sets",
            "body_en": "The AI boom has hit across industries, and public sector organizations are facing pressure to accelerate adoption. At the same time, government institutions face distinct constraints around security, governance, and operations that set them apart from their business counterparts. For this reason, purpose-built small language models (SLMs) offer a promising path to operationalize AI in these environments. A Capgemini study found that 79 percent of public sector executives globally are wary about AI’s data security, an understandable figure given the heightened sensitivity of government data and the legal obligations surrounding its use. As Han Xiao, vice president of AI at Elastic, says, “Government agencies must be very restricted about what kind of data they send to the network. This sets a lot of boundaries on how they think about and manage their data.” The fundamental need for control over sensitive information is one of many factors complicating AI deployment, particularly when compared against the private sector’s standard operational assumptions. Unique operational challenges When private-sector entities expand AI, they typically assume certain conditions will be in place, including continuous connectivity to the cloud, reliance on centralized infrastructure, acceptance of incomplete model transparency, and limited restrictions on data movement. For many state institutions, however, accepting these conditions could be anything from dangerous to impossible. Government agencies must ensure that their data stays under their control, that information can be checked and verified, and that operational disruptions are kept to an absolute minimum. At the same time, they often have to run their systems in environments where internet connectivity is limited, unreliable, or unavailable. These complexities prevent many promising public sector AI pilots from moving beyond experimentation. “Many people undervalue the operating challenge of AI,” Xiao says. “The public sector needs AI to perform reliably on all kinds of data, and then to be able to grow without breaking. Continuity of operations is often underestimated.” An Elastic survey of public sector leaders found that 65 percent struggle to use data continuously in real time and at scale. Infrastructure constraints compound the problem. Government organizations may also struggle to obtain the graphics processing units (GPUs) used to train and access complex AI models. As Xiao points out, “Government doesn’t often purchase GPUs, unlike the private sector—they’re not used to managing GPU infrastructure. So accessing a GPU to run the model is a bottleneck for much of the public sector.” A smaller, more practical model The many nonnegotiable requirements in the public sector make large language models (LLMs) untenable. But SLMs can be housed locally, offering greater security and control. SLMs are specialized AI models that typically use billions rather than hundreds of billions of parameters, making them far less computationally demanding than the largest LLMs. The public sector does not need to build ever-larger models housed in offsite, centralized locations. An empirical study found that SLMs performed as well or better than LLMs. SLMs allow sensitive information to be used effectively and efficiently while avoiding the operational complexity of maintaining large models. Xiao puts it this way: “It is easy to use ChatGPT to do proofreading. It’s very difficult to run your own large language models just as smoothly in an environment with no network access.” SLMs are purpose-built for the needs of the department or agency that will use them. The data is stored securely outside the model, and is only accessed when queried. Carefully engineered prompts ensure that only the most relevant information is retrieved, providing more accurate responses. Using methods such as smart retrieval , vector search , and verifiable source grounding , AI systems can be built that cater to public sector needs. Thus, the next phase of AI adoption in the public sector may be to bring the AI tool to the data, rather than sending the data out into the cloud. Gartner predicts that by 2027, small, specialized AI models will be used three times more than LLMs. Superior search capabilities “When people in the public sector hear AI, they probably think about ChatGPT. But we can be much more ambitious,” says Xiao. “AI can revolutionize how the government searches and manages the large amounts of data they have.” Looking beyond chatbots reveals one of AI’s most immediate opportunities: dramatically improved search. Like many organizations, the public sector has mountains of unstructured data—including technical reports, procurement documents, minutes, and invoices. Today’s AI, however, can deliver results sourced from mixed media, like readable PDFs, scans, images, spreadsheets, and recordings, and in multiple languages. All of this can be indexed by SLM-powered systems to provide tailored responses and to draft complex texts in any language, while ensuring outputs are legally compliant. “The public sector has a lot of data, and they don’t always know how to use this data. They don’t know what the possibilities are,” says Xiao. Even more powerful, AI can help government employees interpret the data they access. “Today’s AI can provide you with a completely new view of how to harness that data,” says Xiao. A well-trained SLM can interpret legal norms, extract insights from public consultations, support data-driven executive decision-making, and improve public access to services and administrative information. This can contribute to dramatic improvements in how the public sector conducts its operations. The small-language promise Focusing on SLMs shifts the conversation from how comprehensive the model can be to how efficient it is. LLMs incur significant performance and computational costs and require specialized hardware that many public entities cannot afford. Despite requiring some capital expenses, SLMs are less resource-intensive than LLMs, so they tend to be cheaper and reduce environmental impact. Public sector agencies often face stringent audit requirements, and SLM algorithms can be documented and certified as transparent. Some countries, particularly in Europe, also have privacy regulations such as GDPR that SLMs can be designed to meet. Tailored training data produces more targeted results, reducing errors, bias, and hallucinations that AI is prone to. As Xiao puts it, “Large language models generate text based on what they were trained on, so there is a cut-off date when they were trained. If you ask about anything after that, it will hallucinate. We can solve this by forcing the model to work from verified sources.” Risks are also minimized by keeping data on local servers, or even on a specific device. This isn’t about isolation but about strategic autonomy to enable trust, resilience, and relevance. By prioritizing task-specific models designed for environments that process data locally, and by continuously monitoring performance and impact, public sector organizations can build lasting AI capabilities that support real-world decisions. “Do not start with a chatbot; start with search,” Xiao advises. “Much of what we think of as AI intelligence is really about finding the right information.” This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/Elastic-article-iStock-2148123501.jpg?w=1200",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/16\/1135216\/making-ai-operational-in-constrained-public-sector-environments\/",
            "date": "2026-04-16",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تفعيل الذكاء الاصطناعي في بيئات القطاع العام المقيدة",
            "summary_ar": "لقد ضرب ازدهار الذكاء الاصطناعي مختلف الصناعات، وتواجه مؤسسات القطاع العام ضغوطًا لتسريع اعتماده. وفي الوقت نفسه، تواجه المؤسسات الحكومية قيودًا واضحة فيما يتعلق بالأمن والحوكمة والعمليات، مما يميزها عن نظيراتها في مجال الأعمال. ولهذا السبب، توفر نماذج اللغات الصغيرة المصممة لهذا الغرض (SLMs) مسارًا واعدًا لتشغيل الذكاء الاصطناعي في هذه البيئات. وجدت دراسة أجرتها شركة كابجيميني أن 79% من المديرين التنفيذيين في القطاع العام على مستوى العالم يشعرون بالقلق بشأن أمن بيانات الذكاء الاصطناعي، وهو رقم مفهوم نظراً للحساسية المتزايدة للبيانات الحكومية والالتزامات القانونية المحيطة باستخدامها. وكما يقول هان شياو، نائب رئيس قسم الذكاء الاصطناعي في شركة Elastic، \"يجب أن تكون الوكالات الحكومية مقيدة للغاية بشأن نوع البيانات التي ترسلها إلى الشبكة. هذا مجموعات",
            "body_ar": "لقد ضرب ازدهار الذكاء الاصطناعي مختلف الصناعات، وتواجه مؤسسات القطاع العام ضغوطًا لتسريع اعتماده. وفي الوقت نفسه، تواجه المؤسسات الحكومية قيودًا واضحة فيما يتعلق بالأمن والحوكمة والعمليات، مما يميزها عن نظيراتها في مجال الأعمال. ولهذا السبب، توفر نماذج اللغات الصغيرة المصممة لهذا الغرض (SLMs) مسارًا واعدًا لتشغيل الذكاء الاصطناعي في هذه البيئات. وجدت دراسة أجرتها شركة كابجيميني أن 79% من المديرين التنفيذيين في القطاع العام على مستوى العالم يشعرون بالقلق بشأن أمن بيانات الذكاء الاصطناعي، وهو رقم مفهوم نظراً للحساسية المتزايدة للبيانات الحكومية والالتزامات القانونية المحيطة باستخدامها. وكما يقول هان شياو، نائب رئيس قسم الذكاء الاصطناعي في شركة Elastic، \"يجب أن تكون الوكالات الحكومية مقيدة للغاية بشأن نوع البيانات التي ترسلها إلى الشبكة. وهذا يضع الكثير من الحدود حول كيفية تفكيرهم في بياناتهم وإدارتها. إن الحاجة الأساسية للسيطرة على المعلومات الحساسة هي واحدة من العديد من العوامل التي تعمل على تعقيد نشر الذكاء الاصطناعي، وخاصة عند مقارنتها بالافتراضات التشغيلية القياسية للقطاع الخاص. تحديات تشغيلية فريدة من نوعها عندما تقوم كيانات القطاع الخاص بتوسيع الذكاء الاصطناعي، فإنها تفترض عادةً أن شروطًا معينة ستكون موجودة، بما في ذلك الاتصال المستمر بالسحابة، والاعتماد على البنية التحتية المركزية، وقبول شفافية النموذج غير المكتملة، والقيود المحدودة على حركة البيانات. لكن بالنسبة للعديد من مؤسسات الدولة، قد يكون قبول هذه الشروط أمرًا خطيرًا إلى مستحيل. ويجب على الوكالات الحكومية التأكد من بقاء بياناتها تحت سيطرتها، وإمكانية فحص المعلومات والتحقق منها، وإبقاء الاضطرابات التشغيلية عند الحد الأدنى المطلق. وفي الوقت نفسه، غالبًا ما يتعين عليهم تشغيل أنظمتهم في بيئات يكون فيها الاتصال بالإنترنت محدودًا أو غير موثوق به أو غير متاح. تمنع هذه التعقيدات العديد من طياري الذكاء الاصطناعي الواعدين في القطاع العام من تجاوز مرحلة التجريب. يقول شياو: \"يقلل الكثير من الناس من أهمية التحدي التشغيلي الذي يمثله الذكاء الاصطناعي\". \"يحتاج القطاع العام إلى الذكاء الاصطناعي ليعمل بشكل موثوق على جميع أنواع البيانات، ومن ثم يكون قادرًا على النمو دون انقطاع. غالبًا ما يتم التقليل من أهمية استمرارية العمليات.\" وجدت دراسة استقصائية مرنة لقادة القطاع العام أن 65 بالمائة منهم يجدون صعوبة في استخدام البيانات بشكل مستمر في الوقت الفعلي وعلى نطاق واسع. وتؤدي قيود البنية التحتية إلى تفاقم المشكلة. قد تواجه المؤسسات الحكومية أيضًا صعوبة في الحصول على وحدات معالجة الرسومات (GPUs) المستخدمة لتدريب نماذج الذكاء الاصطناعي المعقدة والوصول إليها. وكما يشير شياو، \"لا تشتري الحكومة في كثير من الأحيان وحدات معالجة الرسوميات، على عكس القطاع الخاص - فهي غير معتادة على إدارة البنية التحتية لوحدات معالجة الرسومات. لذا فإن الوصول إلى وحدة معالجة الرسومات لتشغيل النموذج يمثل عنق الزجاجة بالنسبة لكثير من القطاع العام\". نموذج أصغر وأكثر عملية إن المتطلبات العديدة غير القابلة للتفاوض في القطاع العام تجعل النماذج اللغوية الكبيرة (LLMs) غير قابلة للاستمرار. ولكن من الممكن وضع صواريخ أرض-أرض محليًا، مما يوفر قدرًا أكبر من الأمان والتحكم. إن نماذج إدارة التعلم (SLM) عبارة عن نماذج متخصصة في الذكاء الاصطناعي تستخدم عادةً مليارات بدلاً من مئات المليارات من المعلمات، مما يجعلها أقل تطلبًا من الناحية الحسابية بكثير من أكبر نماذج LLM. لا يحتاج القطاع العام إلى بناء نماذج أكبر حجمًا موجودة في مواقع مركزية خارج الموقع. وجدت دراسة تجريبية أن أداء SLMs كان جيدًا أو أفضل من LLMs. تسمح SLMs باستخدام المعلومات الحساسة بفعالية وكفاءة مع تجنب التعقيد التشغيلي للحفاظ على النماذج الكبيرة. يوضح شياو الأمر بهذه الطريقة: \"من السهل استخدام ChatGPT لإجراء التدقيق اللغوي. ومن الصعب جدًا تشغيل نماذج اللغة الكبيرة الخاصة بك بنفس السلاسة في بيئة لا يوجد بها إمكانية الوصول إلى الشبكة.\" تم تصميم SLMs خصيصًا لتلبية احتياجات الإدارة أو الوكالة التي ستستخدمها. يتم تخزين البيانات بشكل آمن خارج النموذج، ولا يمكن الوصول إليها إلا عند الاستعلام عنها. تضمن المطالبات المصممة بعناية أنه يتم استرداد المعلومات الأكثر صلة فقط، مما يوفر استجابات أكثر دقة. باستخدام أساليب مثل الاسترجاع الذكي، والبحث عن المتجهات، والتأريض من مصدر يمكن التحقق منه، يمكن بناء أنظمة الذكاء الاصطناعي التي تلبي احتياجات القطاع العام. وبالتالي، قد تكون المرحلة التالية من اعتماد الذكاء الاصطناعي في القطاع العام هي جلب أداة الذكاء الاصطناعي إلى البيانات، بدلاً من إرسال البيانات إلى السحابة. وتتوقع جارتنر أنه بحلول عام 2027، سيتم استخدام نماذج الذكاء الاصطناعي الصغيرة والمتخصصة ثلاث مرات أكثر من ماجستير إدارة الأعمال. يقول شياو: \"عندما يسمع الأشخاص في القطاع العام الذكاء الاصطناعي، فإنهم ربما يفكرون في ChatGPT. لكن يمكننا أن نكون أكثر طموحًا\". \"يمكن للذكاء الاصطناعي أن يحدث ثورة في كيفية قيام الحكومة بالبحث وإدارة الكميات الكبيرة من البيانات المتوفرة لديها.\" إن النظر إلى ما هو أبعد من برامج الدردشة الآلية يكشف عن إحدى الفرص الأكثر إلحاحًا للذكاء الاصطناعي: البحث المحسن بشكل كبير. مثل العديد من المؤسسات، يمتلك القطاع العام كميات كبيرة من البيانات غير المنظمة، بما في ذلك التقارير الفنية ووثائق المشتريات والمحاضر والفواتير. ومع ذلك، يمكن للذكاء الاصطناعي اليوم تقديم نتائج مصدرها وسائط مختلطة، مثل ملفات PDF القابلة للقراءة، والمسح الضوئي، والصور، وجداول البيانات، والتسجيلات، وبلغات متعددة. يمكن فهرسة كل هذا بواسطة الأنظمة التي تعمل بنظام SLM لتوفير استجابات مخصصة وصياغة نصوص معقدة بأي لغة، مع ضمان امتثال المخرجات للقانون. يقول شياو: \"يمتلك القطاع العام الكثير من البيانات، وهم لا يعرفون دائمًا كيفية استخدام هذه البيانات. إنهم لا يعرفون ما هي الاحتمالات\". والأمر الأكثر قوة هو أن الذكاء الاصطناعي يمكنه مساعدة الموظفين الحكوميين على تفسير البيانات التي يصلون إليها. يقول شياو: \"يمكن للذكاء الاصطناعي اليوم أن يزودك برؤية جديدة تمامًا لكيفية تسخير تلك البيانات\". يمكن لإدارة إدارة الأراضي (SLM) المدربة جيدًا تفسير القواعد القانونية، واستخلاص الأفكار من المشاورات العامة، ودعم عملية صنع القرار التنفيذي المستندة إلى البيانات، وتحسين وصول الجمهور إلى الخدمات والمعلومات الإدارية. ويمكن أن يساهم ذلك في إحداث تحسينات كبيرة في كيفية قيام القطاع العام بعملياته. إن الوعد باللغة الصغيرة الذي يركز على إدارة SLM يحول المحادثة من مدى شمولية النموذج إلى مدى كفاءته. تتكبد LLMs أداءً كبيرًا وتكاليف حسابية وتتطلب أجهزة متخصصة لا تستطيع العديد من الكيانات العامة تحمل تكلفتها. على الرغم من أنها تتطلب بعض النفقات الرأسمالية، إلا أن نماذج الإدارة المستدامة أقل استهلاكًا للموارد من نماذج LLM، لذا فهي تميل إلى أن تكون أرخص وتقلل من التأثير البيئي. غالبًا ما تواجه وكالات القطاع العام متطلبات تدقيق صارمة، ويمكن توثيق خوارزميات SLM واعتمادها على أنها شفافة. بعض البلدان، وخاصة في أوروبا، لديها أيضًا لوائح خصوصية مثل اللائحة العامة لحماية البيانات (GDPR) التي يمكن تصميم SLMs للوفاء بها. تنتج بيانات التدريب المخصصة نتائج أكثر استهدافًا، مما يقلل من الأخطاء والتحيز والهلوسة التي يتعرض لها الذكاء الاصطناعي. وعلى حد تعبير شياو: \"تولد نماذج اللغات الكبيرة نصًا بناءً على ما تم تدريبهم عليه، لذلك هناك تاريخ نهائي لتدريبهم. وإذا سألت عن أي شيء بعد ذلك، فسوف يصيبك الهلوسة\". يمكننا حل هذه المشكلة عن طريق إجبار النموذج على العمل من مصادر تم التحقق منها. يتم أيضًا تقليل المخاطر عن طريق الاحتفاظ بالبيانات على الخوادم المحلية، أو حتى على جهاز معين. لا يتعلق الأمر بالعزلة، بل يتعلق بالاستقلال الاستراتيجي لتمكين الثقة والمرونة والأهمية. ومن خلال إعطاء الأولوية للنماذج الخاصة بالمهام والمصممة للبيئات التي تعالج البيانات محليًا، ومن خلال مراقبة الأداء والتأثير بشكل مستمر، يمكن لمؤسسات القطاع العام بناء قدرات الذكاء الاصطناعي الدائمة التي تدعم القرارات في العالم الحقيقي. ينصح شياو قائلاً: \"لا تبدأ باستخدام برنامج الدردشة الآلي، بل ابدأ بالبحث\". \"معظم ما نعتبره ذكاءً اصطناعيًا يدور في الواقع حول العثور على المعلومات الصحيحة.\" تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي ​​تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/16\/1135554\/treating-enterprise-ai-as-an-operating-layer\/",
            "title_en": "Treating enterprise AI as an operating layer",
            "summary_en": "There’s a fault line running through enterprise AI, and it’s not the one getting the most attention. The public conversation still tracks foundation models and benchmarks — GPT versus Gemini, reasoning scores, and marginal capability gains. But in practice, the more durable advantage is structural: who owns the operating layer where intelligence is applied, governed, and improved. One model treats AI as an on-demand utility; the other embeds it as an operating layer — the combination of workflow software, data capture, feedback loops and governance that sits between models and real work — that compounds with use. Model providers like OpenAI and Anthropic sell intelligence as a service: you have a problem, you call an API, you get an answer. That intelligence is general-purpose, largely sta",
            "body_en": "There’s a fault line running through enterprise AI, and it’s not the one getting the most attention. The public conversation still tracks foundation models and benchmarks — GPT versus Gemini, reasoning scores, and marginal capability gains. But in practice, the more durable advantage is structural: who owns the operating layer where intelligence is applied, governed, and improved. One model treats AI as an on-demand utility; the other embeds it as an operating layer — the combination of workflow software, data capture, feedback loops and governance that sits between models and real work — that compounds with use. Model providers like OpenAI and Anthropic sell intelligence as a service: you have a problem, you call an API, you get an answer. That intelligence is general-purpose, largely stateless, and only loosely connected to the day-to-day workflow where decisions are made. It’s highly capable and increasingly interchangeable. The distinction that matters is whether intelligence resets on every prompt or accumulates over time. Incumbent organizations, by contrast, can treat AI as an operating layer: instrumentation across workflows, feedback loops from human decisions, and governance that turns individual tasks into reusable policy. In that setup, every exception, correction, and approval becomes a chance to learn—and intelligence can improve as the platform absorbs more of the organization’s work. The organizations most likely to shape the enterprise AI era are those that can embed intelligence directly into operational platforms and instrument those platforms so work generates usable signals. The prevailing narrative says nimble startups will out-innovate incumbents by building AI-native from scratch. If AI is primarily a model problem, that story holds. But in many enterprise domains, AI is a systems problem — integrations, permissions, evaluation, and change management — where advantage accrues to whomever already sits inside high-volume, high-stakes workflows and converts that position into learning and automation. The inversion: AI executes, humans adjudicate Traditional services organizations are built on a simple architecture: humans use software to do expert work. Operators log into systems, navigate workflows, make decisions, and process cases. Technology is the medium. Human judgment is the product. An AI-native platform inverts this. It ingests a problem, applies accumulated domain knowledge, executes autonomously what it can with high confidence, and routes targeted sub-tasks to human experts when the situation demands judgment that the system can’t yet reliably provide. But inverting human-AI interaction isn’t just a UI redesign — it requires raw material. It’s only possible when the platform is built on a foundation of domain expertise, behavioral data, and operational knowledge accumulated over years. The three compounding assets incumbents already own AI-native startups begin with a clean architectural slate and can move quickly. What they can’t easily manufacture is the raw material that makes domain AI defensible at scale: Proprietary operational data A large workforce of domain experts whose day-to-day decisions generate training signals Accumulated tacit knowledge about how complex work actually gets done Services companies already have all three. But these ingredients aren’t moats on their own. They become an advantage only when a company can systematically convert messy operations into AI-ready signals and institutional knowledge — then feed the results back into the workflow so the system keeps improving. Codifying expertise into reusable signals In most services organizations, expertise is tacit and perishable. The best operators know things they cannot easily articulate: heuristics developed over the years, edge-case intuitions, and pattern recognition that operate below the level of conscious reasoning. At Ensemble, the strategy for addressing this challenge is knowledge distillation. The systematic conversion of expert judgment and operational decisions into machine-readable training signals. In health-care revenue cycle management, for example, systems can be seeded with explicit domain knowledge and then deepen their coverage through structured daily interaction with operators. In Ensemble’s implementation, the system identifies gaps, formulates targeted questions, and cross-checks answers across multiple experts to capture both consensus and edge-case nuance. It then synthesizes these inputs into a living knowledge base that reflects the situational reasoning behind expert-level performance. Turning decisions into a learning flywheel Once a system is constrained enough to be trusted, the next question is how it gets better without waiting for annual model upgrades. Every time a skilled operator makes a decision, they generate more than a completed task. They generate a potential labeled example—context paired with an expert action (and sometimes an outcome). At scale, across thousands of operators and millions of decisions, that stream can power supervised learning, evaluation, and targeted forms of reinforcement—teaching systems to behave more like experts in real conditions. For example, if an organization processes 50,000 cases a week and captures just three high-quality decision points per case, that’s 150,000 labeled examples every week without creating a separate data-collection program. A more advanced human-in-the-loop design places experts inside the decision process, so systems learn not just what the right answer was, but how ambiguity gets resolved. Practically, humans intervene at branch points—selecting from AI-generated options, correcting assumptions, and redirecting the workflow. Each intervention becomes a high-value training signal. When the platform detects an edge case or a deviation from the expected process, it can prompt for a brief, structured rationale, capturing decision factors without requiring lengthy free-form reasoning logs. Building toward expertise amplification The goal is to permanently embed the accumulated expertise of thousands of domain experts—their knowledge, decisions, and reasoning—into an AI platform that amplifies what every operator can accomplish. Done well, this produces a quality of execution that neither humans nor AI achieve independently: higher consistency, improved throughput, and measurable operational gains. Operators can focus on more consequential work, supported by an AI that has already completed the analytical groundwork across thousands of analogous prior cases. The broader implication for enterprise leaders is straightforward. Advantages in AI won’t be determined by access to general-purpose models alone. It will come from an organization’s ability to capture, refine, and compound what it knows, its data, decisions, and operational judgment, while building the controls required for high-stakes environments. As AI shifts from experimentation to infrastructure, the most durable edge may belong to the companies that understand the work well enough to instrument it and can turn that understanding into systems that improve with use. This content was produced by Ensemble. It was not written by MIT Technology Review’s editorial staff.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/Ensemble-article-iStock-2213998103.jpg",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/16\/1135554\/treating-enterprise-ai-as-an-operating-layer\/",
            "date": "2026-04-16",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "التعامل مع الذكاء الاصطناعي للمؤسسة كطبقة تشغيل",
            "summary_ar": "هناك خط صدع يمر عبر الذكاء الاصطناعي المؤسسي، وهو ليس الخط الذي يحظى بأكبر قدر من الاهتمام. ولا تزال المحادثة العامة تتبع النماذج والمعايير الأساسية - GPT مقابل Gemini، ونتائج الاستدلال، ومكاسب القدرات الهامشية. ولكن من الناحية العملية، فإن الميزة الأكثر ديمومة هي الميزة الهيكلية: من يملك طبقة التشغيل حيث يتم تطبيق الذكاء وإدارته وتحسينه. يتعامل أحد النماذج مع الذكاء الاصطناعي باعتباره أداة مساعدة عند الطلب؛ والآخر يدمجها كطبقة تشغيل - مزيج من برمجيات سير العمل، والتقاط البيانات، وحلقات التغذية الراجعة، والحوكمة التي تقع بين النماذج والعمل الحقيقي - والتي تتضاعف مع الاستخدام. يبيع مقدمو النماذج مثل OpenAI وAnthropic الذكاء كخدمة: إذا واجهت مشكلة، اتصل بواجهة برمجة التطبيقات (API)، وستحصل على إجابة. هذا الذكاء هو للأغراض العامة، إلى حد كبير ستا",
            "body_ar": "هناك خط صدع يمر عبر الذكاء الاصطناعي المؤسسي، وهو ليس الخط الذي يحظى بأكبر قدر من الاهتمام. ولا تزال المحادثة العامة تتبع النماذج والمعايير الأساسية - GPT مقابل Gemini، ونتائج الاستدلال، ومكاسب القدرات الهامشية. ولكن من الناحية العملية، فإن الميزة الأكثر ديمومة هي الميزة الهيكلية: من يملك طبقة التشغيل حيث يتم تطبيق الذكاء وإدارته وتحسينه. يتعامل أحد النماذج مع الذكاء الاصطناعي باعتباره أداة مساعدة عند الطلب؛ والآخر يدمجها كطبقة تشغيل - مزيج من برمجيات سير العمل، والتقاط البيانات، وحلقات التغذية الراجعة، والحوكمة التي تقع بين النماذج والعمل الحقيقي - والتي تتضاعف مع الاستخدام. يبيع مقدمو النماذج مثل OpenAI وAnthropic الذكاء كخدمة: إذا واجهت مشكلة، اتصل بواجهة برمجة التطبيقات (API)، وستحصل على إجابة. وهذه المعلومات الاستخباراتية ذات أغراض عامة، وهي عديمة الجنسية إلى حد كبير، ولا ترتبط إلا بشكل فضفاض بسير العمل اليومي حيث يتم اتخاذ القرارات. إنها ذات قدرة عالية وقابلة للتبديل بشكل متزايد. والفرق المهم هو ما إذا كان الذكاء يعاد ضبطه عند كل موجه أو يتراكم مع مرور الوقت. وعلى النقيض من ذلك، يمكن للمؤسسات القائمة التعامل مع الذكاء الاصطناعي باعتباره طبقة تشغيل: أدوات عبر سير العمل، وحلقات ردود الفعل من القرارات البشرية، والحوكمة التي تحول المهام الفردية إلى سياسة قابلة لإعادة الاستخدام. في هذا الإعداد، يصبح كل استثناء وتصحيح وموافقة فرصة للتعلم - ويمكن أن يتحسن الذكاء عندما تستوعب المنصة المزيد من عمل المؤسسة. إن المنظمات التي من المرجح أن تشكل عصر الذكاء الاصطناعي المؤسسي هي تلك التي يمكنها دمج الذكاء مباشرة في المنصات التشغيلية وأدوات تلك المنصات بحيث يولد العمل إشارات قابلة للاستخدام. يقول السرد السائد إن الشركات الناشئة الذكية سوف تتفوق على الشركات القائمة في مجال الابتكار من خلال بناء الذكاء الاصطناعي الأصلي من الصفر. إذا كان الذكاء الاصطناعي في المقام الأول مشكلة نموذجية، فإن هذه القصة صحيحة. ولكن في العديد من مجالات المؤسسات، يمثل الذكاء الاصطناعي مشكلة أنظمة - عمليات التكامل والأذونات والتقييم وإدارة التغيير - حيث تعود الميزة إلى أي شخص موجود بالفعل داخل سير عمل كبير الحجم وعالي المخاطر ويحول هذا المنصب إلى التعلم والأتمتة. الانقلاب: الذكاء الاصطناعي ينفذ، والبشر هم من يفصلون. إن مؤسسات الخدمات التقليدية مبنية على بنية بسيطة: يستخدم البشر البرمجيات للقيام بأعمال الخبراء. يقوم المشغلون بتسجيل الدخول إلى الأنظمة، والتنقل في سير العمل، واتخاذ القرارات، ومعالجة الحالات. التكنولوجيا هي الوسيلة. الحكم البشري هو المنتج. منصة الذكاء الاصطناعي الأصلية تقلب هذا الأمر. فهو يستوعب مشكلة، ويطبق المعرفة المتراكمة في المجال، وينفذ بشكل مستقل ما في وسعه بثقة عالية، ويوجه المهام الفرعية المستهدفة إلى الخبراء البشريين عندما يتطلب الموقف حكمًا لا يستطيع النظام تقديمه بشكل موثوق بعد. لكن عكس التفاعل بين الإنسان والذكاء الاصطناعي لا يعد مجرد إعادة تصميم لواجهة المستخدم، بل يتطلب مواد خام. وهذا ممكن فقط عندما يتم بناء النظام الأساسي على أساس الخبرة في المجال، والبيانات السلوكية، والمعرفة التشغيلية المتراكمة على مر السنين. تمتلك الأصول الثلاثة المركبة بالفعل شركات ناشئة تعتمد على الذكاء الاصطناعي وتبدأ بقائمة معمارية نظيفة ويمكنها التحرك بسرعة. ما لا يمكنهم تصنيعه بسهولة هو المادة الخام التي تجعل مجال الذكاء الاصطناعي قابلاً للدفاع عنه على نطاق واسع: البيانات التشغيلية الخاصة، قوة عاملة كبيرة من خبراء المجال الذين تولد قراراتهم اليومية إشارات تدريب، المعرفة الضمنية المتراكمة حول كيفية إنجاز العمل المعقد فعليًا، تمتلك شركات الخدمات بالفعل الثلاثة. لكن هذه المكونات ليست خنادق في حد ذاتها. إنها تصبح ميزة فقط عندما تتمكن الشركة من تحويل العمليات الفوضوية بشكل منهجي إلى إشارات جاهزة للذكاء الاصطناعي ومعرفة مؤسسية - ثم إدخال النتائج مرة أخرى في سير العمل حتى يستمر النظام في التحسن. تدوين الخبرة إلى إشارات قابلة لإعادة الاستخدام في معظم المؤسسات الخدمية، تكون الخبرة ضمنية وقابلة للتلف. أفضل المشغلين يعرفون أشياء لا يمكنهم التعبير عنها بسهولة: الاستدلال الذي تم تطويره على مر السنين، والحدس، والتعرف على الأنماط التي تعمل تحت مستوى التفكير الواعي. في شركة Ensemble، تتمثل استراتيجية مواجهة هذا التحدي في تقطير المعرفة. التحويل المنهجي لحكم الخبراء والقرارات التشغيلية إلى إشارات تدريب يمكن قراءتها آليًا. في إدارة دورة إيرادات الرعاية الصحية، على سبيل المثال، يمكن زرع الأنظمة بمعرفة واضحة بالمجال ثم تعميق تغطيتها من خلال التفاعل اليومي المنظم مع المشغلين. في تنفيذ Ensemble، يحدد النظام الفجوات، ويصوغ الأسئلة المستهدفة، ويتحقق من الإجابات عبر العديد من الخبراء للحصول على الإجماع والفروق الدقيقة في الحالات. ثم يقوم بتجميع هذه المدخلات في قاعدة معرفية حية تعكس المنطق الظرفي وراء الأداء على مستوى الخبراء. تحويل القرارات إلى دولاب موازنة للتعلم بمجرد أن يصبح النظام مقيدًا بما يكفي للوثوق به، فإن السؤال التالي هو كيف يتحسن دون انتظار ترقيات النموذج السنوية. في كل مرة يتخذ فيها عامل ماهر قرارًا، فإنه ينتج أكثر من مجرد مهمة مكتملة. إنهم يقومون بإنشاء مثال مُسمى محتمل - سياق مقترن بإجراء خبير (وأحيانًا نتيجة). على نطاق واسع، عبر آلاف المشغلين وملايين القرارات، يمكن لهذا التدفق أن يدعم التعلم الخاضع للإشراف والتقييم والأشكال المستهدفة من التعزيز - أنظمة التدريس لتتصرف بشكل أشبه بالخبراء في الظروف الحقيقية. على سبيل المثال، إذا قامت إحدى المؤسسات بمعالجة 50000 حالة أسبوعيًا والتقطت ثلاث نقاط قرار عالية الجودة فقط لكل حالة، فهذا يعني 150000 مثال مصنف كل أسبوع دون إنشاء برنامج منفصل لجمع البيانات. يضع التصميم البشري الأكثر تقدمًا الخبراء داخل عملية اتخاذ القرار، بحيث تتعلم الأنظمة ليس فقط ما هي الإجابة الصحيحة، ولكن أيضًا كيفية حل الغموض. ومن الناحية العملية، يتدخل البشر في نقاط فرعية، حيث يختارون من بين الخيارات التي ينشئها الذكاء الاصطناعي، ويصححون الافتراضات، ويعيدون توجيه سير العمل. يصبح كل تدخل إشارة تدريب عالية القيمة. عندما تكتشف المنصة حالة حافة أو انحرافًا عن العملية المتوقعة، يمكنها المطالبة بأساس منطقي موجز ومنظم، والتقاط عوامل القرار دون الحاجة إلى سجلات استدلال طويلة ذات شكل حر. البناء نحو تضخيم الخبرة الهدف هو الدمج الدائم للخبرة المتراكمة لآلاف خبراء المجال - معارفهم وقراراتهم ومنطقهم - في منصة ذكاء اصطناعي تعمل على تضخيم ما يمكن لكل مشغل إنجازه. إذا تم تنفيذ ذلك بشكل جيد، فإنه ينتج جودة تنفيذ لا يستطيع البشر ولا الذكاء الاصطناعي تحقيقها بشكل مستقل: اتساق أعلى، وإنتاجية محسنة، ومكاسب تشغيلية قابلة للقياس. يمكن للمشغلين التركيز على المزيد من الأعمال ذات الأهمية، بدعم من الذكاء الاصطناعي الذي أكمل بالفعل الأساس التحليلي عبر آلاف الحالات السابقة المماثلة. إن الآثار الأوسع نطاقا بالنسبة لقادة المؤسسات واضحة ومباشرة. لن يتم تحديد المزايا في الذكاء الاصطناعي من خلال الوصول إلى النماذج ذات الأغراض العامة وحدها. وسوف يأتي ذلك من قدرة المنظمة على التقاط وتحسين وتركيب ما تعرفه، وبياناتها، وقراراتها، وأحكامها التشغيلية، مع بناء الضوابط المطلوبة للبيئات عالية المخاطر. مع تحول الذكاء الاصطناعي من التجريب إلى البنية التحتية، قد تنتمي الميزة الأكثر ديمومة إلى الشركات التي تفهم العمل جيدًا بما يكفي لصياغته ويمكنها تحويل هذا الفهم إلى أنظمة تتحسن مع الاستخدام. تم إنتاج هذا المحتوى بواسطة فرقة. لم يتم كتابته في افتتاحية MIT Technology Review طاقم عمل.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/infrastructure\/ai-lowered-the-cost-of-building-software-enterprise-governance-hasnt-caught",
            "title_en": "AI lowered the cost of building software. Enterprise governance hasn’t caught up",
            "summary_en": "Presented by Retool The logic used to be: buying software is cheaper, faster, and safer for most use cases. Building was reserved for companies with large engineering teams, deep pockets, and problems so specific that no vendor could address them. But now, the cost to code a piece of software has dropped to zero. Anyone can build their own software now, but enterprise and governance models have yet to catch up. Retool’s 2026 Build vs. Buy Shift Report , based on a survey of 817 builders, traces exactly how this shift is playing out. The cost curve changed; SaaS pricing didn’t Two years ago, a custom internal tool might have taken an engineering team weeks or months and cost six figures. Today, an operations lead with the right platform can have a working prototype in a day or two. This str",
            "body_en": "Presented by Retool The logic used to be: buying software is cheaper, faster, and safer for most use cases. Building was reserved for companies with large engineering teams, deep pockets, and problems so specific that no vendor could address them. But now, the cost to code a piece of software has dropped to zero. Anyone can build their own software now, but enterprise and governance models have yet to catch up. Retool’s 2026 Build vs. Buy Shift Report , based on a survey of 817 builders, traces exactly how this shift is playing out. The cost curve changed; SaaS pricing didn’t Two years ago, a custom internal tool might have taken an engineering team weeks or months and cost six figures. Today, an operations lead with the right platform can have a working prototype in a day or two. This structural shift is driven by AI-assisted development and the maturation of enterprise app-building platforms. Meanwhile, SaaS pricing hasn’t adjusted, still charging per-seat for generic software that requires customization and integration costs on top. When the cost of building drops by an order of magnitude but the cost of buying stays flat, the math changes for every company, not just the ones with large engineering teams. The data reflects this. Retool’s report found that 35% of teams have already replaced at least one SaaS tool with a custom build, and 78% plan to build more custom tooling in 2026. Workflow automations and admin tools are among SaaS tools at risk The shift isn’t happening uniformly. The top SaaS tools respondents have replaced or considered replacing include workflow automations (35%) and internal admin tools (33%), followed by BI tools (29%) and CRMs (25%). A purchased workflow automation tool has to serve thousands of customers, so it optimizes for the average case — and the average case is nobody’s actual case. Every company’s internal workflows are different. They reflect org structure, compliance requirements, data systems, and business logic unique to that organization. Internal admin tools carry the same problem: they’re inherently company-specific. These categories were always the most awkward fit for off-the-shelf software, and there’s now an affordable, accessible alternative (MIT’s State of AI in Business reported $2-10 million in savings annually for customer service and document processing tasks). The replacement pattern tends to be additive rather than wholesale (nobody is just ripping out Salesforce). They’re replacing the specific pieces that never quite fit: an approval flow that required three workarounds, the dashboard that couldn’t connect to their actual data … but those narrow replacements add up. Once a team builds one tool that works better than what they bought, the default question shifts from “What should we buy?” to “Can we build this?” Builders go around IT, signaling broader procurement challenges The clearest evidence that procurement processes haven’t kept up with building capability is the scale of shadow IT now occurring inside enterprises. Retool’s report found that 60% of builders have created tools, workflows, or automations outside of IT oversight in the past year — and 25% report doing so frequently. Even experienced, high-judgment people choose speed over process. Two-thirds of total survey respondents (64%) are senior managers and above. Existing procurement cycles weren’t designed for a world where building software takes days rather than months. When people love to quote the 95% generative AI pilot failure rate they’re not accounting for the robust grassroots adoption happening under executives’ noses . Shadow IT at this scale is a demand signal. The people closest to the problems are telling organizations that the existing process can’t can't keep up — 31% of those going around IT do so simply because they can build faster than IT can provision tools. So, suppression isn’t a productive response. The challenge is that the tools being built in the shadows are also the ones most likely to stall before they become useful. A vibe-coded prototype running on sample data is impressive. A production tool connected to your actual Salesforce instance, with role-based access and a security review, is useful . The report found that 51% of builders have shipped production software currently in use by their teams, and among those, about half report saving six or more hours per week. When building happens in an ungoverned environment, organizations get neither outcome reliably. Someone connects an AI-powered tool to production data with no audit trail, no access controls, and no owner. Multiply that by dozens of builders across an organization, and you have an expanding security surface that IT doesn’t even know exists. [1] The teams whose homebuilt solutions reach production tend to have three things the others don’t: connectivity to real data sources, a security and permissions model they trust, and a review process for what gets deployed. Channeling builder energy into governed environments, where speed and security aren’t in conflict, is how organizations avoid shadow IT becoming a liability. Governance will define the next era of SaaS The build vs. buy shift is already underway. The more important question now is who controls the environment where that building happens. Ungoverned building invites security risks and makes the ROI case difficult to close. You can’t measure time saved by tools IT doesn’t know exist, or are only run in one individual’s workflow. You can’t enforce access controls on a prototype that someone connected to production data last Tuesday. And those aren’t hypothetical risks: in Deloitte’s 2026 State of AI in the Enterprise survey of 3,200+ leaders , data privacy and security ranked as the top AI concern at 73%, with governance capabilities close behind at 46%. The 35% of organizations with no AI productivity metrics are missing more than just a dashboard. They’re missing the accountability infrastructure that justifies building over buying in the first place. The organizations that treat governed environments as a prerequisite for building at scale will be the ones that can actually prove it’s working. The ones that don’t will find out when something breaks. For a closer look at the data, including how enterprises are approaching AI-assisted building, read the full 2026 Build vs. Buy Shift Report . [1] The cost of which can be steep: IBM’s 2025 Cost of Data Breach Report found that AI-associated cases cost organizations more than $650,000 per breach. David Hsu is CEO at Retool. Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/BVrNZeCyXWkzq7Ur7p0h4\/608b28b05bcc56c89cc7c917df4d2595\/AdobeStock_951756901.jpeg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/infrastructure\/ai-lowered-the-cost-of-building-software-enterprise-governance-hasnt-caught",
            "date": "2026-04-16",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "خفض الذكاء الاصطناعي تكلفة بناء البرمجيات. حوكمة المؤسسات لم تلحق بالركب",
            "summary_ar": "تم تقديمه بواسطة Retool وكان المنطق المستخدم هو: شراء البرامج أرخص وأسرع وأكثر أمانًا لمعظم حالات الاستخدام. كان البناء مخصصًا للشركات التي لديها فرق هندسية كبيرة، وموارد مالية كبيرة، ومشاكل محددة للغاية بحيث لا يستطيع أي بائع معالجتها. ولكن الآن، انخفضت تكلفة برمجة جزء من البرنامج إلى الصفر. يمكن لأي شخص أن يبني برامجه الخاصة الآن، ولكن نماذج المؤسسات والحوكمة لم تلحق بالركب بعد. Retool's 2026 Build مقابل. شراء تقرير التحول، استنادًا إلى دراسة استقصائية أجريت على 817 من عمال البناء، يتتبع بالضبط كيفية تنفيذ هذا التحول. تغير منحنى التكلفة؛ لم يكن تسعير SaaS متاحًا قبل عامين، ربما كانت الأداة الداخلية المخصصة تستغرق أسابيع أو أشهرًا من فريق هندسي وتكلف ستة أرقام. اليوم، يمكن لقائد العمليات الذي يستخدم المنصة المناسبة أن يحصل على نموذج أولي عملي خلال يوم أو يومين. هذا شارع",
            "body_ar": "تم تقديمه بواسطة Retool وكان المنطق المستخدم هو: شراء البرامج أرخص وأسرع وأكثر أمانًا لمعظم حالات الاستخدام. كان البناء مخصصًا للشركات التي لديها فرق هندسية كبيرة، وموارد مالية كبيرة، ومشاكل محددة للغاية بحيث لا يستطيع أي بائع معالجتها. ولكن الآن، انخفضت تكلفة برمجة جزء من البرنامج إلى الصفر. يمكن لأي شخص أن يبني برامجه الخاصة الآن، ولكن نماذج المؤسسات والحوكمة لم تلحق بالركب بعد. Retool's 2026 Build مقابل. شراء تقرير التحول، استنادًا إلى دراسة استقصائية أجريت على 817 من عمال البناء، يتتبع بالضبط كيفية تنفيذ هذا التحول. تغير منحنى التكلفة؛ لم يكن تسعير SaaS متاحًا قبل عامين، ربما كانت الأداة الداخلية المخصصة تستغرق أسابيع أو أشهرًا من فريق هندسي وتكلف ستة أرقام. اليوم، يمكن لقائد العمليات الذي يستخدم المنصة المناسبة أن يحصل على نموذج أولي عملي خلال يوم أو يومين. هذا التحول الهيكلي مدفوع بالتطوير المدعوم بالذكاء الاصطناعي ونضج منصات بناء التطبيقات الخاصة بالمؤسسات. وفي الوقت نفسه، لم يتم تعديل أسعار SaaS، ولا تزال تفرض رسومًا على كل مقعد للبرامج العامة التي تتطلب تكاليف التخصيص والتكامل في الأعلى. عندما تنخفض تكلفة البناء بمقدار كبير ولكن تكلفة الشراء تظل ثابتة، تتغير الحسابات بالنسبة لكل شركة، وليس فقط الشركات التي لديها فرق هندسية كبيرة. البيانات تعكس هذا. وجد تقرير Retool أن 35% من الفرق قد استبدلت بالفعل أداة SaaS واحدة على الأقل ببناء مخصص، ويخطط 78% لبناء المزيد من الأدوات المخصصة في عام 2026 تعد أتمتة سير العمل وأدوات الإدارة من بين أدوات SaaS المعرضة للخطر، ولا يحدث التحول بشكل موحد. تشمل أهم أدوات SaaS التي استبدلها المشاركون أو فكروا في استبدالها، أتمتة سير العمل (35%) وأدوات الإدارة الداخلية (33%)، تليها أدوات ذكاء الأعمال (29%) وإدارة علاقات العملاء (25%). يجب أن تخدم أداة أتمتة سير العمل التي تم شراؤها آلاف العملاء، لذا فهي تعمل على تحسين الحالة المتوسطة - والحالة المتوسطة ليست حالة فعلية لأحد. يختلف سير العمل الداخلي لكل شركة. وهي تعكس الهيكل التنظيمي ومتطلبات الامتثال وأنظمة البيانات ومنطق الأعمال الفريد لتلك المؤسسة. تحمل أدوات الإدارة الداخلية نفس المشكلة: فهي بطبيعتها خاصة بالشركة. كانت هذه الفئات دائمًا هي الأكثر ملاءمة للبرامج الجاهزة، ويوجد الآن بديل ميسور التكلفة ويمكن الوصول إليه (أفاد تقرير حالة الذكاء الاصطناعي في الأعمال التابع لمعهد ماساتشوستس للتكنولوجيا عن توفير يتراوح بين 2 إلى 10 ملايين دولار سنويًا لخدمة العملاء ومهام معالجة المستندات). يميل نمط الاستبدال إلى أن يكون إضافيًا وليس بالجملة (لا أحد يقوم فقط بنسخ Salesforce). إنهم يستبدلون الأجزاء المحددة التي لم تكن مناسبة تمامًا: تدفق الموافقة الذي يتطلب ثلاثة حلول بديلة، ولوحة المعلومات التي لم تتمكن من الاتصال ببياناتهم الفعلية... ولكن هذه البدائل الضيقة تتراكم. بمجرد أن يقوم الفريق ببناء أداة واحدة تعمل بشكل أفضل من تلك التي اشتروها، يتحول السؤال الافتراضي من \"ماذا يجب أن نشتري؟\" إلى \"هل يمكننا بناء هذا؟\" يلتف البناة حول تكنولوجيا المعلومات، مما يشير إلى تحديات أوسع في مجال المشتريات. إن أوضح دليل على أن عمليات الشراء لم تواكب بناء القدرات هو حجم تكنولوجيا المعلومات الظلية التي تحدث الآن داخل المؤسسات. وجد تقرير Retool أن 60% من المنشئين قاموا بإنشاء أدوات أو مسارات عمل أو عمليات تشغيل آلي خارج إشراف تكنولوجيا المعلومات في العام الماضي - وأبلغ 25% عن قيامهم بذلك بشكل متكرر. حتى الأشخاص ذوي الخبرة والحكم العالي يفضلون السرعة على العملية. ثلثا إجمالي المشاركين في الاستطلاع (64%) هم من كبار المديرين وما فوق. لم تكن دورات الشراء الحالية مصممة لعالم يستغرق فيه بناء البرامج أيامًا وليس أشهر. عندما يحب الناس الإشارة إلى معدل فشل تجريبي للذكاء الاصطناعي يصل إلى 95%، فإنهم لا يأخذون في الاعتبار الاعتماد الشعبي القوي الذي يحدث تحت أنظار المسؤولين التنفيذيين. تعد تكنولوجيا المعلومات الظلية على هذا النطاق بمثابة إشارة طلب. يخبر الأشخاص الأقرب إلى المشاكل المؤسسات أن العملية الحالية لا يمكنها الاستمرار - 31% من العاملين في مجال تكنولوجيا المعلومات يفعلون ذلك ببساطة لأنهم يستطيعون البناء بشكل أسرع من قدرة تكنولوجيا المعلومات على توفير الأدوات. لذا فإن القمع ليس استجابة منتجة. ويكمن التحدي في أن الأدوات التي يتم بناؤها في الظل هي أيضًا الأدوات التي من المرجح أن تتوقف قبل أن تصبح مفيدة. يعد النموذج الأولي المشفر الذي يعمل على بيانات العينة أمرًا مثيرًا للإعجاب. من المفيد استخدام أداة إنتاج متصلة بمثيل Salesforce الفعلي الخاص بك، مع إمكانية الوصول المستند إلى الدور ومراجعة الأمان. ووجد التقرير أن 51% من شركات البناء قد قامت بشحن برامج الإنتاج المستخدمة حاليًا من قبل فرقهم، ومن بين هؤلاء، أبلغ حوالي نصفهم عن توفير ست ساعات أو أكثر في الأسبوع. عندما يحدث البناء في بيئة غير خاضعة للحكم، لا تحصل المؤسسات على أي نتيجة بشكل موثوق. يقوم شخص ما بتوصيل أداة مدعومة بالذكاء الاصطناعي ببيانات الإنتاج دون أي مسار تدقيق أو عناصر تحكم في الوصول أو مالك. اضرب ذلك في العشرات من منشئي البرامج عبر المؤسسة، وسيكون لديك سطح أمان متوسع لا يعرف قسم تكنولوجيا المعلومات بوجوده. [1] تميل الفرق التي تصل حلولها المبنية محليًا إلى مرحلة الإنتاج إلى امتلاك ثلاثة أشياء لا يمتلكها الآخرون: الاتصال بمصادر البيانات الحقيقية، ونموذج الأمان والأذونات الذي يثقون به، وعملية مراجعة لما يتم نشره. إن توجيه طاقة البناء إلى بيئات خاضعة للإدارة، حيث لا تتعارض السرعة والأمان، هو الطريقة التي تتجنب بها المؤسسات أن تصبح تكنولوجيا معلومات الظل مسؤولية. ستحدد الحوكمة الحقبة التالية من SaaS. إن التحول بين البناء والشراء جاري بالفعل. والسؤال الأكثر أهمية الآن هو من يتحكم في البيئة التي يحدث فيها هذا المبنى. يؤدي البناء غير الخاضع للرقابة إلى مخاطر أمنية ويجعل من الصعب إغلاق قضية عائد الاستثمار. لا يمكنك قياس الوقت الذي يتم توفيره بواسطة أدوات لا يعرف قسم تكنولوجيا المعلومات وجودها، أو يتم تشغيلها فقط في سير عمل فرد واحد. لا يمكنك فرض ضوابط الوصول على نموذج أولي قام شخص ما بتوصيله ببيانات الإنتاج يوم الثلاثاء الماضي. وهذه ليست مخاطر افتراضية: في استطلاع Deloitte لحالة الذكاء الاصطناعي لعام 2026 في استطلاع المؤسسات الذي شمل أكثر من 3200 قائد، تم تصنيف خصوصية البيانات وأمنها على أنها أهم اهتمامات الذكاء الاصطناعي بنسبة 73%، مع اقتراب قدرات الحوكمة من 46%. إن 35% من المؤسسات التي ليس لديها مقاييس إنتاجية تعتمد على الذكاء الاصطناعي تفتقد أكثر من مجرد لوحة معلومات. إنهم يفتقدون البنية التحتية للمساءلة التي تبرر الإفراط في الشراء في المقام الأول. إن المنظمات التي تتعامل مع البيئات الخاضعة للإدارة باعتبارها شرطًا أساسيًا للبناء على نطاق واسع ستكون هي التي يمكنها إثبات نجاحها بالفعل. أولئك الذين لن يعرفوا متى ينكسر شيء ما. لإلقاء نظرة فاحصة على البيانات، بما في ذلك كيفية تعامل المؤسسات مع البناء بمساعدة الذكاء الاصطناعي، اقرأ تقرير 2026 Build vs. Buy Shift الكامل. [1] يمكن أن تكون تكلفتها باهظة: وجد تقرير تكلفة خرق البيانات لعام 2025 الصادر عن شركة IBM أن الحالات المرتبطة بالذكاء الاصطناعي تكلف المؤسسات أكثر من 650,000 دولار أمريكي لكل خرق ديفيد هسو هو الرئيس التنفيذي لشركة Retool. المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/16\/1136029\/humans-in-the-loop-ai-war-illusion\/",
            "title_en": "Why having “humans in the loop” in an AI war is an illusion",
            "summary_en": "The availability of artificial intelligence for use in warfare is at the center of a legal battle between Anthropic and the Pentagon . This debate has become urgent, with AI playing a bigger role than ever before in the current conflict with Iran. AI is no longer just helping humans analyze intelligence. It is now an active player—generating targets in real time, controlling and coordinating missile interceptions, and guiding lethal swarms of autonomous drones. Most of the public conversation regarding the use of AI-driven autonomous lethal weapons centers on how much humans should remain “in the loop.” Under the Pentagon’s current guidelines , human oversight supposedly provides accountability, context, and nuance while reducing the risk of hacking . AI systems are opaque “black boxes” Bu",
            "body_en": "The availability of artificial intelligence for use in warfare is at the center of a legal battle between Anthropic and the Pentagon . This debate has become urgent, with AI playing a bigger role than ever before in the current conflict with Iran. AI is no longer just helping humans analyze intelligence. It is now an active player—generating targets in real time, controlling and coordinating missile interceptions, and guiding lethal swarms of autonomous drones. Most of the public conversation regarding the use of AI-driven autonomous lethal weapons centers on how much humans should remain “in the loop.” Under the Pentagon’s current guidelines , human oversight supposedly provides accountability, context, and nuance while reducing the risk of hacking . AI systems are opaque “black boxes” But the debate over “humans in the loop” is a comforting distraction. The immediate danger is not that machines will act without human oversight; it is that human overseers have no idea what the machines are actually “thinking.” The Pentagon’s guidelines are fundamentally flawed because they rest on the dangerous assumption that humans understand how AI systems work. Having studied intentions in the human brain for decades and in AI systems more recently, I can attest that state-of-the-art AI systems are essentially “black boxes.” We know the inputs and outputs, but the artificial “brain” processing them remains opaque. Even their creators cannot fully interpret them or understand how they work . And when AIs do provide reasons, they are not always trustworthy. The illusion of human oversight in autonomous systems In the debate over human oversight, a fundamental question is going unasked: Can we understand what an AI system intends to do before it acts? Imagine an autonomous drone tasked with destroying an enemy munitions factory. The automated command and control system determines that the optimal target is a munitions storage building. It reports a 92% probability of mission success because secondary explosions of the munitions in the building will thoroughly destroy the facility. A human operator reviews the legitimate military objective, sees the high success rate, and approves the strike. But what the operator does not know is that the AI system’s calculation included a hidden factor: Beyond devastating the munitions factory, the secondary explosions would also severely damage a nearby children’s hospital. The emergency response would then focus on the hospital, ensuring the factory burns down. To the AI, maximizing disruption in this way meets its given objective. But to a human, it is potentially committing a war crime by violating the rules regarding civilian life. Keeping a human in the loop may not provide the safeguard people imagine, because the human cannot know the AI’s intention before it acts. Advanced AI systems do not simply execute instructions; they interpret them. If operators fail to define their objectives carefully enough—a highly likely scenario in high-pressure situations—the “black box” system could be doing exactly what it was told and still not acting as humans intended. This “intention gap” between AI systems and human operators is precisely why we hesitate to deploy frontier black-box AI in civilian health care or air traffic control , and why its integration into the workplace remains fraught —yet we are rushing to deploy it on the battlefield. To make matters worse, if one side in a conflict deploys fully autonomous weapons, which operate at machine speed and scale, the pressure to remain competitive would push the other side to rely on such weapons too. This means the use of increasingly autonomous—and opaque—AI decision-making in war is only likely to grow. The solution: Advance the science of AI intentions The science of AI must comprise both building highly capable AI technology and understanding how this technology works. Huge advances have been made in developing and building more capable models, driven by record investments—forecast by Gartner to grow to around $2.5 trillion in 2026 alone . In contrast, the investment in understanding how the technology works has been minuscule. We need a massive paradigm shift. Engineers are building increasingly capable systems. But understanding how these systems work is not just an engineering problem—it requires an interdisciplinary effort. We must build the tools to characterize, measure, and intervene in the intentions of AI agents before they act. We need to map the internal pathways of the neural networks that drive these agents so that we can build a true causal understanding of their decision-making, moving beyond merely observing inputs and outputs. A promising way forward is to combine techniques from mechanistic interpretability (breaking neural networks down into human-understandable components) with insights, tools, and models from the neuroscience of intentions. Another idea is to develop transparent, interpretable “auditor” AIs designed to monitor the behavior and emergent goals of more capable black-box systems in real time. Developing a better understanding of how AI functions will enable us to rely on AI systems for mission-critical applications. It will also make it easier to build more efficient, more capable, and safer systems. Colleagues and I are exploring how ideas from neuroscience, cognitive science, and philosophy—fields that study how intentions arise in human decision-making—might help us understand the intentions of artificial systems . We must prioritize these kinds of interdisciplinary efforts, including collaborations between academia, government, and industry. However, we need more than just academic exploration. The tech industry—and the philanthropists funding AI alignment , which strives to encode human values and goals into these models—must direct substantial investments toward interdisciplinary interpretability research. Furthermore, as the Pentagon pursues increasingly autonomous systems, Congress must mandate rigorous testing of AI systems’ intentions, not just their performance. Until we achieve that, human oversight over AI may be more illusion than safeguard. Uri Maoz is a cognitive and computational neuroscientist specializing in how the brain transforms intentions into actions. A professor at Chapman University with appointments at UCLA and Caltech, he leads an interdisciplinary initiative focused on understanding and measuring intentions in artificial intelligence systems ( ai-intentions.org ).",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/human-war-loop2.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/16\/1136029\/humans-in-the-loop-ai-war-illusion\/",
            "date": "2026-04-16",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "لماذا يعد وجود \"بشر في الحلقة\" في حرب الذكاء الاصطناعي مجرد وهم؟",
            "summary_ar": "إن توفر الذكاء الاصطناعي للاستخدام في الحرب هو محور معركة قانونية بين الأنثروبيك والبنتاغون. لقد أصبح هذا النقاش ملحا، حيث يلعب الذكاء الاصطناعي دورا أكبر من أي وقت مضى في الصراع الحالي مع إيران. لم يعد الذكاء الاصطناعي مجرد مساعدة البشر على تحليل الذكاء. وهي الآن لاعب نشط، فهي تولد الأهداف في الوقت الفعلي، وتتحكم في اعتراضات الصواريخ وتنسقها، وتوجيه أسراب فتاكة من الطائرات بدون طيار. تركز أغلب الأحاديث العامة المتعلقة باستخدام الأسلحة الفتاكة ذاتية التحكم المعتمدة على الذكاء الاصطناعي على مقدار ما ينبغي للبشر أن يظلوا \"في الحلقة\". وبموجب المبادئ التوجيهية الحالية للبنتاغون، من المفترض أن توفر الرقابة البشرية المساءلة والسياق والفروق الدقيقة مع تقليل مخاطر القرصنة. أنظمة الذكاء الاصطناعي هي \"صناديق سوداء\" مبهمة بو",
            "body_ar": "إن توفر الذكاء الاصطناعي للاستخدام في الحرب هو محور معركة قانونية بين الأنثروبيك والبنتاغون. لقد أصبح هذا النقاش ملحا، حيث يلعب الذكاء الاصطناعي دورا أكبر من أي وقت مضى في الصراع الحالي مع إيران. لم يعد الذكاء الاصطناعي مجرد مساعدة البشر على تحليل الذكاء. وهي الآن لاعب نشط، فهي تولد الأهداف في الوقت الفعلي، وتتحكم في اعتراضات الصواريخ وتنسقها، وتوجيه أسراب فتاكة من الطائرات بدون طيار. تركز أغلب الأحاديث العامة المتعلقة باستخدام الأسلحة الفتاكة ذاتية التحكم المعتمدة على الذكاء الاصطناعي على مقدار ما ينبغي للبشر أن يظلوا \"في الحلقة\". وبموجب المبادئ التوجيهية الحالية للبنتاغون، من المفترض أن توفر الرقابة البشرية المساءلة والسياق والفروق الدقيقة مع تقليل مخاطر القرصنة. أنظمة الذكاء الاصطناعي هي بمثابة \"صناديق سوداء\" مبهمة، لكن الجدل حول \"البشر في الحلقة\" هو إلهاء مريح. ولا يتمثل الخطر المباشر في أن الآلات ستعمل دون إشراف بشري؛ بل إن المشرفين البشريين ليس لديهم أي فكرة عما \"تفكر فيه\" الآلات بالفعل. إن المبادئ التوجيهية التي وضعها البنتاغون معيبة بشكل أساسي لأنها ترتكز على افتراض خطير مفاده أن البشر يفهمون كيفية عمل أنظمة الذكاء الاصطناعي. وبعد دراسة النوايا في الدماغ البشري لعقود من الزمن وفي أنظمة الذكاء الاصطناعي في الآونة الأخيرة، أستطيع أن أشهد أن أنظمة الذكاء الاصطناعي الحديثة هي في الأساس \"صناديق سوداء\". نحن نعرف المدخلات والمخرجات، لكن «العقل» الاصطناعي الذي يعالجها يظل غامضًا. وحتى منشئوها لا يستطيعون تفسيرها بالكامل أو فهم كيفية عملها. وعندما تقدم أنظمة الذكاء الاصطناعي الأسباب، فإنها لا تكون دائمًا جديرة بالثقة. وهم الرقابة البشرية في الأنظمة المستقلة في الجدل الدائر حول الرقابة البشرية، يظل هناك سؤال أساسي دون طرحه: هل يمكننا أن نفهم ما ينوي نظام الذكاء الاصطناعي القيام به قبل أن يتصرف؟ تخيل طائرة بدون طيار مستقلة مكلفة بتدمير مصنع ذخيرة للعدو. يحدد نظام القيادة والتحكم الآلي أن الهدف الأمثل هو مبنى تخزين الذخائر. وتشير التقارير إلى احتمال نجاح المهمة بنسبة 92٪ لأن الانفجارات الثانوية للذخائر في المبنى ستدمر المنشأة تمامًا. يقوم المشغل البشري بمراجعة الهدف العسكري المشروع، ويرى نسبة النجاح العالية، ويوافق على الضربة. لكن ما لا يعرفه المشغل هو أن حسابات نظام الذكاء الاصطناعي تضمنت عاملاً خفيًا: فإلى جانب تدمير مصنع الذخيرة، فإن الانفجارات الثانوية ستلحق أيضًا أضرارًا بالغة بمستشفى أطفال قريب. وستركز الاستجابة الطارئة بعد ذلك على المستشفى، مما يضمن احتراق المصنع. بالنسبة للذكاء الاصطناعي، فإن تعظيم التعطيل بهذه الطريقة يلبي هدفه المحدد. ولكن بالنسبة للإنسان، فمن المحتمل أن يرتكب جريمة حرب من خلال انتهاك القواعد المتعلقة بالحياة المدنية. إن إبقاء الإنسان على اطلاع قد لا يوفر الحماية التي يتخيلها الناس، لأن الإنسان لا يستطيع معرفة نية الذكاء الاصطناعي قبل أن يتصرف. لا تقوم أنظمة الذكاء الاصطناعي المتقدمة بتنفيذ التعليمات فحسب؛ يفسرونها. إذا فشل المشغلون في تحديد أهدافهم بعناية كافية - وهو سيناريو محتمل جدًا في مواقف الضغط العالي - فمن الممكن أن يفعل نظام \"الصندوق الأسود\" ما قيل له بالضبط ولا يزال لا يتصرف كما أراد البشر. \"فجوة النوايا\" هذه بين أنظمة الذكاء الاصطناعي والمشغلين البشريين هي على وجه التحديد سبب ترددنا في نشر الذكاء الاصطناعي الحدودي في الرعاية الصحية المدنية أو مراقبة الحركة الجوية، ولماذا يظل دمجه في مكان العمل محفوفًا بالمخاطر - ومع ذلك فإننا نسارع إلى نشره في ساحة المعركة ومما يزيد الطين بلة أنه إذا قام أحد طرفي النزاع بنشر أسلحة ذاتية التشغيل بالكامل، والتي تعمل بسرعة الآلة وحجمها، فإن الضغط من أجل الحفاظ على القدرة التنافسية من شأنه أن يدفع الجانب الآخر إلى الاعتماد على مثل هذه الأسلحة أيضًا. وهذا يعني أن استخدام الذكاء الاصطناعي في صنع القرار بشكل مستقل وغير شفاف في الحرب من المرجح أن ينمو. الحل: تطوير علم نوايا الذكاء الاصطناعي يجب أن يشمل علم الذكاء الاصطناعي بناء تكنولوجيا ذكاء اصطناعي ذات قدرة عالية وفهم كيفية عمل هذه التكنولوجيا. لقد تم إحراز تقدم هائل في تطوير وبناء نماذج أكثر قدرة، مدفوعة باستثمارات قياسية - تتوقع مؤسسة Gartner أن تنمو إلى حوالي 2.5 تريليون دولار في عام 2026 وحده. وفي المقابل، كان الاستثمار في فهم كيفية عمل التكنولوجيا ضئيلاً. نحن بحاجة إلى تحول نموذجي هائل. يقوم المهندسون ببناء أنظمة ذات قدرة متزايدة. لكن فهم كيفية عمل هذه الأنظمة ليس مجرد مشكلة هندسية، بل يتطلب جهدًا متعدد التخصصات. ويتعين علينا أن نبني الأدوات اللازمة لتوصيف نوايا عملاء الذكاء الاصطناعي وقياسها والتدخل فيها قبل أن يتصرفوا. نحن بحاجة إلى رسم خريطة للمسارات الداخلية للشبكات العصبية التي تحرك هؤلاء الوكلاء حتى نتمكن من بناء فهم سببي حقيقي لعملية صنع القرار، والانتقال إلى ما هو أبعد من مجرد مراقبة المدخلات والمخرجات. وتتلخص إحدى الطرق الواعدة للمضي قدماً في الجمع بين تقنيات التفسير الآلي (تقسيم الشبكات العصبية إلى مكونات يمكن للإنسان فهمها) مع الرؤى والأدوات والنماذج المستمدة من علم أعصاب النوايا. وتتمثل فكرة أخرى في تطوير أنظمة ذكاء اصطناعي شفافة وقابلة للتفسير ومصممة لمراقبة السلوك والأهداف الناشئة لأنظمة الصندوق الأسود الأكثر قدرة في الوقت الفعلي. إن تطوير فهم أفضل لكيفية عمل الذكاء الاصطناعي سيمكننا من الاعتماد على أنظمة الذكاء الاصطناعي للتطبيقات ذات المهام الحرجة. كما أنه سيسهل بناء أنظمة أكثر كفاءة وقدرة وأمانًا. أنا وزملائي نستكشف كيف يمكن لأفكار من علم الأعصاب، والعلوم المعرفية، والفلسفة - وهي مجالات تدرس كيفية نشوء النوايا في عملية صنع القرار البشري - أن تساعدنا على فهم نوايا الأنظمة الاصطناعية. ويتعين علينا أن نعطي الأولوية لهذا النوع من الجهود المتعددة التخصصات، بما في ذلك التعاون بين الأوساط الأكاديمية والحكومة والصناعة. ومع ذلك، نحن بحاجة إلى أكثر من مجرد الاستكشاف الأكاديمي. ويتعين على صناعة التكنولوجيا ــ والجهات الخيرية التي تمول مواءمة الذكاء الاصطناعي، والتي تسعى جاهدة إلى ترميز القيم والأهداف الإنسانية في هذه النماذج ــ أن توجه استثمارات كبيرة نحو أبحاث التفسير المتعددة التخصصات. علاوة على ذلك، مع سعي البنتاغون إلى إنشاء أنظمة مستقلة بشكل متزايد، يجب على الكونجرس فرض اختبار صارم لنوايا أنظمة الذكاء الاصطناعي، وليس فقط أدائها. وإلى أن نحقق ذلك، قد تكون الرقابة البشرية على الذكاء الاصطناعي مجرد وهم وليس ضمانة. أوري ماعوز هو عالم أعصاب معرفي وحسابي متخصص في كيفية تحويل الدماغ للنوايا إلى أفعال. أستاذ في جامعة تشابمان مع تعيينات في جامعة كاليفورنيا ومعهد كاليفورنيا للتكنولوجيا، وهو يقود مبادرة متعددة التخصصات تركز على فهم وقياس النوايا في أنظمة الذكاء الاصطناعي ( ai-intentions.org ).",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/microsoft-salesforce-copilot-agentforce-prompt-injection-cve-agent-remediation-playbook",
            "title_en": "Microsoft patched a Copilot Studio prompt injection. The data exfiltrated anyway.",
            "summary_en": "Microsoft assigned CVE-2026-21520 , a CVSS 7.5 indirect prompt injection vulnerability, to Copilot Studio. Capsule Security discovered the flaw, coordinated disclosure with Microsoft, and the patch was deployed on January 15. Public disclosure went live on Wednesday. That CVE matters less for what it fixes and more for what it signals. Capsule’s research calls Microsoft’s decision to assign a CVE to a prompt injection vulnerability in an agentic platform “highly unusual.” Microsoft previously assigned CVE-2025-32711 (CVSS 9.3) to EchoLeak, a prompt injection in M365 Copilot patched in June 2025, but that targeted a productivity assistant, not an agent-building platform. If the precedent extends to agentic systems broadly, every enterprise running agents inherits a new vulnerability class t",
            "body_en": "Microsoft assigned CVE-2026-21520 , a CVSS 7.5 indirect prompt injection vulnerability, to Copilot Studio. Capsule Security discovered the flaw, coordinated disclosure with Microsoft, and the patch was deployed on January 15. Public disclosure went live on Wednesday. That CVE matters less for what it fixes and more for what it signals. Capsule’s research calls Microsoft’s decision to assign a CVE to a prompt injection vulnerability in an agentic platform “highly unusual.” Microsoft previously assigned CVE-2025-32711 (CVSS 9.3) to EchoLeak, a prompt injection in M365 Copilot patched in June 2025, but that targeted a productivity assistant, not an agent-building platform. If the precedent extends to agentic systems broadly, every enterprise running agents inherits a new vulnerability class to track. Except that this class cannot be fully eliminated by patches alone. Capsule also discovered what they call PipeLeak, a parallel indirect prompt injection vulnerability in Salesforce Agentforce. Microsoft patched and assigned a CVE. Salesforce has not assigned a CVE or issued a public advisory for PipeLeak as of publication, according to Capsule's research. What ShareLeak actually does The vulnerability that the researchers named ShareLeak exploits the gap between a SharePoint form submission and the Copilot Studio agent’s context window. An attacker fills a public-facing comment field with a crafted payload that injects a fake system role message. In Capsule’s testing, Copilot Studio concatenated the malicious input directly with the agent’s system instructions with no input sanitization between the form and the model. The injected payload overrode the agent’s original instructions in Capsule’s proof-of-concept, directing it to query connected SharePoint Lists for customer data and send that data via Outlook to an attacker-controlled email address. NVD classifies the attack as low complexity and requires no privileges. Microsoft’s own safety mechanisms flagged the request as suspicious during Capsule’s testing. The data was exfiltrated anyway. The DLP never fired because the email was routed through a legitimate Outlook action that the system treated as an authorized operation. Carter Rees, VP of Artificial Intelligence at Reputation , described the architectural failure in an exclusive VentureBeat interview. The LLM cannot inherently distinguish between trusted instructions and untrusted retrieved data, Rees said. It becomes a confused deputy acting on behalf of the attacker. OWASP classifies this pattern as ASI01: Agent Goal Hijack . The research team behind both discoveries, Capsule Security, found the Copilot Studio vulnerability on November 24, 2025. Microsoft confirmed it on December 5 and patched it on January 15, 2026. Every security director running Copilot Studio agents triggered by SharePoint forms should audit that window for indicators of compromise. PipeLeak and the Salesforce split PipeLeak hits the same vulnerability class through a different front door. In Capsule’s testing, a public lead form payload hijacked an Agentforce agent with no authentication required. Capsule found no volume cap on the exfiltrated CRM data, and the employee who triggered the agent received no indication that data had left the building. Salesforce has not assigned a CVE or issued a public advisory specific to PipeLeak as of publication. Capsule is not the first research team to hit Agentforce with indirect prompt injection. Noma Labs disclosed ForcedLeak (CVSS 9.4) in September 2025, and Salesforce patched that vector by enforcing Trusted URL allowlists. According to Capsule's research, PipeLeak survives that patch through a different channel: email via the agent's authorized tool actions. Naor Paz, CEO of Capsule Security, told VentureBeat the testing hit no exfiltration limit. “We did not get to any limitation,” Paz said. “The agent would just continue to leak all the CRM.” Salesforce recommended human-in-the-loop as a mitigation. Paz pushed back. “If the human should approve every single operation, it’s not really an agent,” he told VentureBeat. “It’s just a human clicking through the agent’s actions.” Microsoft patched ShareLeak and assigned a CVE. According to Capsule's research, Salesforce patched ForcedLeak's URL path but not the email channel. Kayne McGladrey, IEEE Senior Member, put it differently in a separate VentureBeat interview. Organizations are cloning human user accounts to agentic systems, McGladrey said, except agents use far more permissions than humans would because of the speed, the scale, and the intent. The lethal trifecta and why posture management fails Paz named the structural condition that makes any agent exploitable: access to private data, exposure to untrusted content, and the ability to communicate externally. ShareLeak hits all three. PipeLeak hits all three. Most production agents hit all three because that combination is what makes agents useful. Rees validated the diagnosis independently. Defense-in-depth predicated on deterministic rules is fundamentally insufficient for agentic systems, Rees told VentureBeat . Elia Zaitsev, CrowdStrike’s CTO, called the patching mindset itself the vulnerability in a separate VentureBeat exclusive . “People are forgetting about runtime security,” he said. “Let’s patch all the vulnerabilities. Impossible. Somehow always seem to miss something.” Observing actual kinetic actions is a structured, solvable problem, Zaitsev told VentureBeat. Intent is not. CrowdStrike’s Falcon sensor walks the process tree and tracks what agents did, not what they appeared to intend. Multi-turn crescendo and the coding agent blind spot Single-shot prompt injections are the entry-level threat. Capsule’s research documented multi-turn crescendo attacks where adversaries distribute payloads across multiple benign-looking turns. Each turn passes inspection. The attack becomes visible only when analyzed as a sequence. Rees explained why current monitoring misses this. A stateless WAF views each turn in a vacuum and detects no threat, Rees told VentureBeat. It sees requests, not a semantic trajectory. Capsule also found undisclosed vulnerabilities in coding agent platforms it declined to name, including memory poisoning that persists across sessions and malicious code execution through MCP servers. In one case, a file-level guardrail designed to restrict which files the agent could access was reasoned around by the agent itself, which found an alternate path to the same data. Rees identified the human vector: employees paste proprietary code into public LLMs and view security as friction. McGladrey cut to the governance failure. “If crime was a technology problem, we would have solved crime a fairly long time ago,” he told VentureBeat. “Cybersecurity risk as a standalone category is a complete fiction.” The runtime enforcement model Capsule hooks into vendor-provided agentic execution paths — including Copilot Studio's security hooks and Claude Code's pre-tool-use checkpoints — with no proxies, gateways, or SDKs. The company exited stealth on Wednesday, timing its $7 million seed round, led by Lama Partners alongside Forgepoint Capital International, to its coordinated disclosure. Chris Krebs, the first Director of CISA and a Capsule advisor, put the gap in operational terms. “Legacy tools weren’t built to monitor what happens between prompt and action,” Krebs said. “That’s the runtime gap.” Capsule's architecture deploys fine-tuned small language models that evaluate every tool call before execution, an approach Gartner's market guide calls a \"guardian agent.\" Not everyone agrees that intent analysis is the right layer. Zaitsev told VentureBeat during an exclusive interview that intent-based detection is non-deterministic. “Intent analysis will sometimes work. Intent analysis cannot always work,” he said. CrowdStrike bets on observing what the agent actually did rather than what it appeared to intend. Microsoft’s own Copilot Studio documentation provides external security-provider webhooks that can approve or block tool execution, offering a vendor-native control plane alongside third-party options. No single layer closes the gap. Runtime intent analysis, kinetic action monitoring, and foundational controls (least privilege, input sanitization, outbound restrictions, targeted human-in-the-loop) all belong in the stack. SOC teams should map telemetry now: Copilot Studio activity logs plus webhook decisions, CRM audit logs for Agentforce, and EDR process-tree data for coding agents. Paz described the broader shift. “Intent is the new perimeter,” he told VentureBeat. “The agent in runtime can decide to go rogue on you.” VentureBeat Prescriptive Matrix The following matrix maps five vulnerability classes against the controls that miss them, and the specific actions security directors should take this week. Vulnerability Class Why Current Controls Miss It What Runtime Enforcement Does Suggested actions for security leaders ShareLeak — Copilot Studio, CVE-2026-21520 , CVSS 7.5, patched Jan 15 2026 Capsule’s testing found no input sanitization between the SharePoint form and the agent context. Safety mechanisms flagged, but data still exfiltrated. DLP did not fire because the email used a legitimate Outlook action. OWASP ASI01: Agent Goal Hijack. Guardian agent hooks into Copilot Studio pre-tool-use security hooks. Vets every tool call before execution. Blocks exfiltration at the action layer. Audit every Copilot Studio agent triggered by SharePoint forms. Restrict outbound email to org-only domains. Inventory all SharePoint Lists accessible to agents. Review the Nov 24–Jan 15 window for indicators of compromise. PipeLeak — Agentforce, no CVE assigned In Capsule’s testing, public form input flowed directly into the agent context. No auth required. No volume cap observed on exfiltrated CRM data. The employee received no indication that data was leaving. Runtime interception via platform agentic hooks. Pre-invocation checkpoint on every tool call. Detects outbound data transfer to non-approved destinations. Review all Agentforce automations triggered by public-facing forms. Enable human-in-the-loop for external comms as interim control. Audit CRM data access scope per agent. Pressure Salesforce for CVE assignment. Multi-Turn Crescendo — distributed payload, each turn looks benign Stateless monitoring inspects each turn in isolation. WAFs, DLP, and activity logs see individual requests, not semantic trajectory. Stateful runtime analysis tracks full conversation history across turns. Fine-tuned SLMs evaluate aggregated context. Detects when a cumulative sequence constitutes a policy violation. Require stateful monitoring for all production agents. Add crescendo attack scenarios to red team exercises. Coding Agents — unnamed platforms, memory poisoning + code execution MCP servers inject code and instructions into the agent context. Memory poisoning persists across sessions. Guardrails reasoned around by the agent itself. Shadow AI insiders paste proprietary code into public LLMs. Pre-invocation checkpoint on every tool call. Fine-tuned SLMs detect anomalous tool usage at runtime. Inventory all coding agent deployments across engineering. Audit MCP server configs. Restrict code execution permissions. Monitor for shadow installations. Structural Gap — any agent with private data + untrusted input + external comms Posture management tells you what should happen. It does not stop what does happen. Agents use far more permissions than humans at far greater speed. Runtime guardian agent watches every action in real time. Intent-based enforcement replaces signature detection. Leverages vendor agentic hooks, not proxies or gateways. Classify every agent by lethal trifecta exposure. Treat prompt injection as class-based SaaS risk. Require runtime security for any agent moving to production. Brief the board on agent risk as business risk. What this means for 2026 security planning Microsoft’s CVE assignment will either accelerate or fragment how the industry handles agent vulnerabilities. If vendors call them configuration issues, CISOs carry the risk alone. Treat prompt injection as a class-level SaaS risk rather than individual CVEs. Classify every agent deployment against the lethal trifecta. Require runtime enforcement for anything moving to production. Brief the board on agent risk the way McGladrey framed it: as business risk, because cybersecurity risk as a standalone category stopped being useful the moment agents started operating at machine speed.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6QO34Fn3Ix5qFbnemAM3a5\/6cf10a1a9ecd680e39c790c0733d16fd\/HERO_CAPSULE.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/microsoft-salesforce-copilot-agentforce-prompt-injection-cve-agent-remediation-playbook",
            "date": "2026-04-15",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "قامت Microsoft بتصحيح الحقن الفوري لـ Copilot Studio. البيانات تسربت على أي حال.",
            "summary_ar": "قامت Microsoft بتعيين CVE-2026-21520، وهي ثغرة أمنية غير مباشرة لحقن الموجه CVSS 7.5، إلى Copilot Studio. اكتشفت شركة Capsule Security الخلل، ونسقت الكشف عنه مع Microsoft، وتم نشر التصحيح في 15 يناير. وتم نشر الكشف العلني يوم الأربعاء. إن مكافحة التطرف العنيف أقل أهمية بالنسبة لما يتم إصلاحه وأكثر أهمية بالنسبة لما تشير إليه. ويصف بحث Capsule قرار Microsoft بتخصيص ثغرة أمنية خطيرة للحقن الفوري في منصة وكيل بأنه \"غير معتاد للغاية\". قامت Microsoft سابقًا بتعيين CVE-2025-32711 (CVSS 9.3) لـ EchoLeak، وهو حقن سريع في M365 Copilot الذي تم تصحيحه في يونيو 2025، ولكن ذلك استهدف مساعدًا للإنتاجية، وليس منصة لبناء الوكلاء. إذا امتدت السابقة إلى الأنظمة الوكيلة على نطاق واسع، فإن كل مؤسسة تقوم بتشغيل الوكلاء ترث فئة ثغرة أمنية جديدة",
            "body_ar": "قامت Microsoft بتعيين CVE-2026-21520، وهي ثغرة أمنية غير مباشرة لحقن الموجه CVSS 7.5، إلى Copilot Studio. اكتشفت شركة Capsule Security الخلل، ونسقت الكشف عنه مع Microsoft، وتم نشر التصحيح في 15 يناير. وتم نشر الكشف العلني يوم الأربعاء. إن مكافحة التطرف العنيف أقل أهمية بالنسبة لما يتم إصلاحه وأكثر أهمية بالنسبة لما تشير إليه. ويصف بحث Capsule قرار Microsoft بتخصيص ثغرة أمنية خطيرة للحقن الفوري في منصة وكيل بأنه \"غير معتاد للغاية\". قامت Microsoft سابقًا بتعيين CVE-2025-32711 (CVSS 9.3) لـ EchoLeak، وهو حقن سريع في M365 Copilot الذي تم تصحيحه في يونيو 2025، ولكن ذلك استهدف مساعدًا للإنتاجية، وليس منصة لبناء الوكلاء. إذا امتدت السابقة إلى الأنظمة الوكيلة على نطاق واسع، فإن كل مؤسسة تقوم بتشغيل الوكلاء ترث فئة ثغرة أمنية جديدة يجب تتبعها. إلا أنه لا يمكن القضاء على هذه الفئة بالكامل عن طريق التصحيحات وحدها. اكتشف Capsule أيضًا ما يسمونه PipeLeak، وهي ثغرة أمنية موازية للحقن الفوري غير المباشر في Salesforce Agentforce. قامت Microsoft بتصحيح وتعيين CVE. لم تقم Salesforce بتعيين CVE أو إصدار استشارة عامة بشأن PipeLeak حتى تاريخ النشر، وفقًا لبحث Capsule. ما يفعله ShareLeak فعليًا: تستغل الثغرة الأمنية التي أطلق عليها الباحثون اسم ShareLeak الفجوة بين إرسال نموذج SharePoint ونافذة سياق وكيل Copilot Studio. يقوم المهاجم بملء حقل التعليق العام بحمولة معدّة تُدخل رسالة دور نظام مزيفة. في اختبار Capsule، قام Copilot Studio بربط المدخلات الضارة مباشرة مع تعليمات نظام الوكيل دون أي تعقيم للمدخلات بين النموذج والنموذج. تجاوزت الحمولة المحقونة تعليمات الوكيل الأصلية في إثبات مفهوم Capsule، ووجهته إلى الاستعلام عن قوائم SharePoint المتصلة للحصول على بيانات العملاء وإرسال تلك البيانات عبر Outlook إلى عنوان بريد إلكتروني يتحكم فيه المهاجم. يصنف NVD الهجوم على أنه منخفض التعقيد ولا يتطلب أي امتيازات. قامت آليات الأمان الخاصة بشركة Microsoft بوضع علامة على الطلب على أنه مريب أثناء اختبار Capsule. تم تسريب البيانات على أي حال. لم يتم تشغيل ميزة منع فقدان البيانات (DLP) مطلقًا لأنه تم توجيه البريد الإلكتروني من خلال إجراء Outlook شرعي تعامل معه النظام على أنه عملية معتمدة. وصف كارتر ريس، نائب رئيس قسم الذكاء الاصطناعي في شركة Reputation، الفشل المعماري في مقابلة حصرية مع VentureBeat. وقال ريس إن LLM لا يمكنها التمييز بطبيعتها بين التعليمات الموثوقة والبيانات المستردة غير الموثوق بها. ويصبح نائبا مرتبكا يتصرف نيابة عن المهاجم. يصنف OWASP هذا النمط على أنه ASI01: Agent Goal Hijack. اكتشف فريق البحث الذي يقف وراء كلا الاكتشافين، Capsule Security، ثغرة Copilot Studio في 24 نوفمبر 2025. وأكدت Microsoft ذلك في 5 ديسمبر وأصلحته في 15 يناير 2026. ويجب على كل مدير أمان يقوم بتشغيل وكلاء Copilot Studio الذين يتم تشغيلهم بواسطة نماذج SharePoint تدقيق تلك النافذة بحثًا عن مؤشرات التسوية. ينقسم PipeLeak وSalesforce إلى نفس فئة الضعف من خلال باب أمامي مختلف. في اختبار Capsule، اختطفت حمولة نموذج العميل المحتمل العام وكيل Agentforce دون الحاجة إلى المصادقة. لم تعثر الكبسولة على أي حد أقصى لحجم بيانات إدارة علاقات العملاء المسربة، ولم يتلق الموظف الذي قام بتشغيل العامل أي إشارة إلى أن البيانات قد غادرت المبنى. لم تقم Salesforce بتعيين CVE أو أصدرت نصيحة عامة خاصة بـ PipeLeak اعتبارًا من تاريخ النشر. الكبسولة ليست أول فريق بحثي يضرب Agentforce بالحقن الفوري غير المباشر. كشفت Noma Labs عن ForcedLeak (CVSS 9.4) في سبتمبر 2025، وقامت Salesforce بتصحيح هذا المتجه من خلال فرض القوائم المسموح بها لعناوين URL الموثوقة. وفقًا لأبحاث Capsule، فإن PipeLeak ينجو من هذا التصحيح من خلال قناة مختلفة: البريد الإلكتروني عبر إجراءات الأداة المعتمدة للوكيل. وقال ناور باز، الرئيس التنفيذي لشركة Capsule Security، لـ VentureBeat إن الاختبار لم يصل إلى حد التسرب. وقال باز: \"لم نصل إلى أي قيود\". \"سيستمر الوكيل في تسريب كل إدارة علاقات العملاء.\" أوصت Salesforce بوجود الإنسان في الحلقة كوسيلة للتخفيف. دفع باز إلى الوراء. وقال لـ VentureBeat: “إذا كان على الإنسان أن يوافق على كل عملية، فهو ليس عميلاً حقًا”. \"إنها مجرد نقرة بشرية على تصرفات الوكيل.\" قامت Microsoft بتصحيح ShareLeak وتعيين CVE. وفقًا لبحث Capsule، قامت Salesforce بتصحيح مسار عنوان URL الخاص بـ ForcedLeak وليس قناة البريد الإلكتروني. صاغ كاين ماك جلادري، أحد كبار أعضاء IEEE، الأمر بشكل مختلف في مقابلة منفصلة مع VentureBeat. وقال ماكجلادري إن المنظمات تستنسخ حسابات المستخدمين البشرية إلى أنظمة وكيلة، باستثناء أن الوكلاء يستخدمون أذونات أكثر بكثير من البشر بسبب السرعة والحجم والنية. الثالوث المميت وسبب فشل إدارة الوضعية سمى باز الحالة الهيكلية التي تجعل أي وكيل قابلاً للاستغلال: الوصول إلى البيانات الخاصة، والتعرض لمحتوى غير موثوق به، والقدرة على التواصل خارجيًا ShareLeak يضرب الثلاثة. PipeLeak يضرب الثلاثة. معظم وكلاء الإنتاج يتفوقون على الثلاثة لأن هذا المزيج هو ما يجعل الوكلاء مفيدين. أكد ريس صحة التشخيص بشكل مستقل. قال ريس لـ VentureBeat إن الدفاع المتعمق المبني على قواعد حتمية غير كافٍ بشكل أساسي للأنظمة الوكيلة. وصف إيليا زايتسيف، مدير التكنولوجيا التنفيذي في CrowdStrike، عقلية الترقيع بحد ذاتها بأنها ثغرة أمنية في تقرير حصري منفصل لـ VentureBeat. وقال: \"الناس ينسون الأمن أثناء التشغيل\". \"دعونا نصلح جميع نقاط الضعف. هذا مستحيل. بطريقة ما، يبدو دائمًا أننا نفتقد شيئًا ما.\" قال زايتسيف لموقع VentureBeat: إن مراقبة الحركات الحركية الفعلية هي مشكلة منظمة وقابلة للحل. القصد ليس كذلك. يسير مستشعر Falcon الخاص بـ CrowdStrike في شجرة العملية ويتتبع ما فعله العملاء، وليس ما يبدو أنهم كانوا يقصدونه. تصعيد متعدد المنعطفات والنقطة العمياء لعامل الترميز، تمثل الحقن السريعة ذات اللقطة الواحدة تهديدًا على مستوى الدخول. وثّق بحث Capsule هجمات متصاعدة متعددة المنعطفات حيث يقوم الخصوم بتوزيع الحمولات عبر منعطفات متعددة ذات مظهر حميد. كل دور يمر التفتيش. يصبح الهجوم مرئيًا فقط عند تحليله كتسلسل. وأوضح ريس لماذا تفتقد المراقبة الحالية هذا الأمر. وقال ريس لـ VentureBeat إن WAF عديمة الجنسية تنظر إلى كل منعطف في الفراغ ولا تكتشف أي تهديد. فهو يرى الطلبات، وليس المسار الدلالي. عثرت شركة Capsule أيضًا على ثغرات أمنية لم يتم الكشف عنها في منصات وكيل التشفير التي رفضت ذكر اسمها، بما في ذلك تسمم الذاكرة الذي يستمر عبر الجلسات وتنفيذ التعليمات البرمجية الضارة من خلال خوادم MCP. في إحدى الحالات، تم تصميم حاجز الحماية على مستوى الملف لتقييد الملفات التي يمكن للوكيل الوصول إليها من قبل الوكيل نفسه، والذي وجد مسارًا بديلاً لنفس البيانات. حدد ريس الناقل البشري: يقوم الموظفون بلصق كود الملكية في دورات LLM العامة وينظرون إلى الأمن على أنه احتكاك. قطع ماكجلدري إلى فشل الحكم. وقال لـ VentureBeat: \"لو كانت الجريمة مشكلة تكنولوجية، لكنا قد تمكنا من حل الجريمة منذ وقت طويل إلى حد ما\". \"إن مخاطر الأمن السيبراني كفئة قائمة بذاتها هي محض خيال.\" يتم ربط نموذج إنفاذ وقت التشغيل Capsule بمسارات التنفيذ الوكيل المقدمة من البائع - بما في ذلك خطافات الأمان الخاصة بـ Copilot Studio ونقاط التفتيش الخاصة بالاستخدام المسبق للأداة الخاصة بـ Claude Code - بدون أي وكلاء أو بوابات أو مجموعات تطوير البرامج (SDK). خرجت الشركة من التخفي يوم الأربعاء، وقامت بتوقيت جولتها التأسيسية بقيمة 7 ملايين دولار، بقيادة Lama Partners جنبًا إلى جنب مع Forgepoint Capital International، للإفصاح المنسق. وضع كريس كريبس، المدير الأول لـ CISA ومستشار الكبسولة، الفجوة من الناحية التشغيلية. قال كريبس: \"لم يتم تصميم الأدوات القديمة لرصد ما يحدث بين الفعل الفوري والفعل\". \"هذه هي فجوة وقت التشغيل.\" تستخدم بنية Capsule نماذج لغوية صغيرة دقيقة تعمل على تقييم كل استدعاء للأداة قبل التنفيذ، وهو أسلوب يطلق عليه دليل السوق الخاص بشركة Gartner \"الوكيل الحارس\". لا يتفق الجميع على أن تحليل النوايا هو الطبقة الصحيحة. أخبر زايتسيف VentureBeat خلال مقابلة حصرية أن الكشف القائم على النية غير حتمي. وقال: \"تحليل النوايا ينجح في بعض الأحيان. تحليل النوايا لا يمكن أن ينجح دائما\". يراهن CrowdStrike على ملاحظة ما فعله العميل بالفعل وليس ما كان ينوي فعله على ما يبدو. توفر وثائق Copilot Studio الخاصة بشركة Microsoft خطافات ويب خارجية لموفر الأمان يمكنها الموافقة على تنفيذ الأداة أو منعها، مما يوفر مستوى تحكم أصلي للمورد إلى جانب خيارات الطرف الثالث. لا توجد طبقة واحدة تسد الفجوة. تحليل نية وقت التشغيل، ومراقبة العمل الحركي، والضوابط الأساسية (الامتياز الأقل، وتعقيم المدخلات، والقيود الصادرة، والإنسان المستهدف في الحلقة) كلها تنتمي إلى المكدس. يجب على فرق SOC تعيين القياس عن بعد الآن: سجلات أنشطة Copilot Studio بالإضافة إلى قرارات خطاف الويب، وسجلات تدقيق CRM لـ Agentforce، وبيانات شجرة عمليات EDR لوكلاء الترميز. ووصف باز التحول الأوسع. قال لـ VentureBeat: \"النية هي المحيط الجديد\". \"يمكن للوكيل في وقت التشغيل أن يقرر الاحتيال عليك.\" مصفوفة VentureBeat الإرشادية تحدد المصفوفة التالية خمس فئات من الثغرات الأمنية مقابل عناصر التحكم التي تفتقدها، والإجراءات المحددة التي يجب على مديري الأمن اتخاذها هذا الأسبوع. فئة الثغرات الأمنية لماذا تفتقد عناصر التحكم الحالية ما يفعله تطبيق وقت التشغيل الإجراءات المقترحة لقادة الأمان ShareLeak - Copilot Studio، CVE-2026-21520، CVSS 7.5، تم تصحيحه في 15 يناير 2026 لم يعثر اختبار Capsule على أي تحسين للمدخلات بين نموذج SharePoint وسياق الوكيل. تم وضع علامة على آليات السلامة، لكن البيانات ما زالت تتسرب. لم يتم تشغيل ميزة منع فقدان البيانات (DLP) نظرًا لأن البريد الإلكتروني استخدم إجراء Outlook شرعيًا. OWASP ASI01: اختطاف هدف العميل. يتم ربط وكيل Guardian بخطافات أمان الاستخدام المسبق للأداة في Copilot Studio. يقوم بفحص كل استدعاء للأداة قبل التنفيذ. يمنع التسرب في طبقة العمل. قم بمراجعة كل وكيل Copilot Studio الذي يتم تشغيله بواسطة نماذج SharePoint. تقييد البريد الإلكتروني الصادر على نطاقات المؤسسة فقط. جرد جميع قوائم SharePoint التي يمكن للوكلاء الوصول إليها. قم بمراجعة الفترة من 24 نوفمبر إلى 15 يناير للتعرف على مؤشرات التسوية. PipeLeak — Agentforce، لم يتم تعيين CVE في اختبار Capsule، تدفق إدخال النموذج العام مباشرةً إلى سياق الوكيل. لا المصادقة المطلوبة. لم يتم ملاحظة أي حد أقصى لحجم البيانات المستخرجة من نظام إدارة علاقات العملاء (CRM). لم يتلق الموظف أي إشارة إلى أن البيانات كانت تغادر. اعتراض وقت التشغيل عبر خطافات وكيل النظام الأساسي. نقطة تفتيش ما قبل الاستدعاء عند كل استدعاء للأداة. يكتشف نقل البيانات الصادرة إلى وجهات غير معتمدة. قم بمراجعة جميع عمليات التشغيل الآلي لـ Agentforce التي يتم تشغيلها بواسطة النماذج العامة. تمكين الإنسان في الحلقة للاتصالات الخارجية كتحكم مؤقت. تدقيق نطاق الوصول إلى بيانات CRM لكل وكيل. الضغط على Salesforce لمهمة مكافحة التطرف العنيف. تصعيد متعدد المنعطفات — حمولة موزعة، كل دورة تبدو سليمة. تقوم المراقبة عديمة الحالة بفحص كل دورة على حدة. ترى WAFs وDLP وسجلات الأنشطة الطلبات الفردية، وليس المسار الدلالي. يقوم تحليل وقت التشغيل بتتبع سجل المحادثة الكامل عبر المنعطفات. تقوم SLMs المضبوطة بتقييم السياق المجمع. يكتشف عندما يشكل التسلسل التراكمي انتهاكًا للسياسة. تتطلب مراقبة الحالة لجميع وكلاء الإنتاج. أضف سيناريوهات الهجوم التصاعدي إلى تمارين الفريق الأحمر. وكلاء الترميز — منصات غير مسماة، إفساد الذاكرة + تنفيذ التعليمات البرمجية، تقوم خوادم MCP بإدخال التعليمات البرمجية والتعليمات في سياق الوكيل. يستمر تسمم الذاكرة عبر الجلسات. تم التفكير في الدرابزين بواسطة الوكيل نفسه. يقوم المطلعون على Shadow AI بلصق كود الملكية في LLMs العامة. نقطة تفتيش ما قبل الاستدعاء عند كل استدعاء للأداة. تكتشف SLMs المضبوطة الاستخدام غير الطبيعي للأداة في وقت التشغيل. جرد جميع عمليات نشر وكيل الترميز عبر الهندسة. تدقيق تكوينات خادم MCP. تقييد أذونات تنفيذ التعليمات البرمجية. مراقبة منشآت الظل. الفجوة الهيكلية - أي وكيل لديه بيانات خاصة + مدخلات غير موثوقة + اتصالات خارجية، إدارة الموقف تخبرك بما يجب أن يحدث. ولا يتوقف عما يحدث. يستخدم الوكلاء أذونات أكثر بكثير من البشر وبسرعة أكبر بكثير. يراقب وكيل الوصي في وقت التشغيل كل إجراء في الوقت الفعلي. يحل التنفيذ القائم على النية محل اكتشاف التوقيع. الاستفادة من عوامل ربط وكيل البائع، وليس الوكلاء أو البوابات. قم بتصنيف كل عامل حسب التعرض للثلاثية المميتة. تعامل مع الحقن الفوري باعتباره خطر SaaS قائمًا على الفئة. تتطلب أمان وقت التشغيل لأي وكيل ينتقل إلى الإنتاج. أطلع مجلس الإدارة على مخاطر الوكيل باعتبارها مخاطر أعمال. ماذا يعني هذا بالنسبة للتخطيط الأمني ​​لعام 2026؟ ستعمل مهمة مكافحة التطرف العنيف من Microsoft إما على تسريع أو تجزئة كيفية تعامل الصناعة مع الثغرات الأمنية لدى العملاء. إذا أطلق عليها البائعون اسم مشكلات التكوين، فإن CISOs يتحملون المخاطر وحدهم. تعامل مع الحقن الفوري باعتباره أحد مخاطر SaaS على مستوى الفصل الدراسي بدلاً من مخاطر CVE الفردية. قم بتصنيف كل عملية نشر للعميل مقابل الثلاثية القاتلة. تتطلب تنفيذ وقت التشغيل لأي شيء ينتقل إلى الإنتاج. أطلع مجلس الإدارة على مخاطر الوكلاء بالطريقة التي صاغها بها ماكجلادري: كمخاطر الأعمال، لأن مخاطر الأمن السيبراني كفئة قائمة بذاتها لم تعد مفيدة في اللحظة التي بدأ فيها الوكلاء العمل على الآلة سرعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/frontier-models-are-failing-one-in-three-production-attempts-and-getting-harder-to-audit",
            "title_en": "Frontier models are failing one in three production attempts — and getting harder to audit",
            "summary_en": "AI agents are now embedded in real enterprise workflows, and they're still failing roughly one in three attempts on structured benchmarks. That gap between capability and reliability is the defining operational challenge for IT leaders in 2026, according to Stanford HAI's ninth annual AI Index report. This uneven, unpredictable performance is what the AI Index calls the \"jagged frontier,\" a term coined by AI researcher Ethan Mollick to describe the boundary where AI excels and then suddenly fails. “AI models can win a gold medal at the International Mathematical Olympiad,” Stanford HAI researchers point out, “but still can’t reliably tell time.” How models advanced in 2025 Enterprise AI adoption has reached 88%. Notable accomplishments in 2025 and early 2026: Frontier models impr",
            "body_en": "AI agents are now embedded in real enterprise workflows, and they're still failing roughly one in three attempts on structured benchmarks. That gap between capability and reliability is the defining operational challenge for IT leaders in 2026, according to Stanford HAI's ninth annual AI Index report. This uneven, unpredictable performance is what the AI Index calls the \"jagged frontier,\" a term coined by AI researcher Ethan Mollick to describe the boundary where AI excels and then suddenly fails. “AI models can win a gold medal at the International Mathematical Olympiad,” Stanford HAI researchers point out, “but still can’t reliably tell time.” How models advanced in 2025 Enterprise AI adoption has reached 88%. Notable accomplishments in 2025 and early 2026: Frontier models improved 30% in just one year on Humanity's Last Exam (HLE), which includes 2,500 questions across math, natural sciences, ancient languages, and other specialized subfields. HLE was built to be difficult for AI and favorable to human experts. Leading models scored above 87% on MMLU-Pro, which tests multi-step reasoning based on 12,000 human-reviewed questions across more than a dozen disciplines. This illustrates “how competitive the frontier has become on broad knowledge tasks,” the Stanford HAI researchers note. Top models including Claude Opus 4.5, GPT-5.2, and Qwen3.5 scored between 62.9% and 70.2% on τ-bench. The benchmark tests agents on real-world tasks in realistic domains that involve chatting with a user and calling external tools or APIs. Model accuracy on GAIA, which benchmarks general AI assistants, rose from about 20% to 74.5%. Agent performance on SWE-bench Verified rose from 60% to near 100% in just one year. The benchmark evaluates models on their ability to resolve real-world software issues. Success rates on WebArena increased from 15% in 2023 to 74.3% in early 2026. This benchmark presents a realistic web environment for evaluating autonomous AI agents, tasking them with information retrieval, site navigation, and content configuration. Agent performance progressed from 17% in 2024 to roughly 65% in early 2026 on MLE-bench, which evaluates machine learning (ML) engineering capabilities. AI agents are showing capability gains in cybersecurity. For instance, frontier models solved 93% of problems on Cybench, a benchmark that includes 40 professional-level tasks across six capture-the-flag categories, including cryptography, web security, reverse engineering, forensics, and exploitation. This is compared to 15% in 2024 and represents the “steepest improvement rate,” indicating that cybersecurity tasks are a “good fit for current agent capabilities.” Video generation has also evolved significantly over the last year; models can now capture how objects behave. For instance, Google DeepMind’s Veo 3 was tested across more than 18,000 generated videos, and demonstrated the ability to simulate buoyancy and solved mazes without having been trained on those tasks. “Video generation models are no longer just producing realistic-looking content,” the researchers write. “Some are beginning to learn how the physical world actually works.” Overall, AI is being used across a number of areas in enterprise — knowledge management, software engineering and IT, marketing and sales — and expanding into specialized domains like tax, mortgage processing, corporate finance, and legal reasoning, where accuracy ranges from 60 to 90%. “AI capability is not plateauing,” Stanford HAI says. “It is accelerating and reaching more people than ever.” AI capability surges, but reliability lags Multimodal models now meet or exceed human baselines on PhD-level science questions, multimodal reasoning, and competition mathematics. For example, Gemini Deep Think earned a gold medal at the 2025 International Mathematical Olympiad (IMO), solving five of six problems end-to-end in natural language within the 4.5-hour time limit — a notable improvement from a silver-level score in 2024. Yet these same AI systems still fail in roughly one in three attempts, and have trouble with basic perception tasks, according to Stanford HAI. On ClockBench — a test covering 180 clock designs and 720 questions — Gemini Deep Think achieved only 50.1% accuracy, compared to roughly 90% for humans. GPT-4.5 High reached an almost identical score of 50.6%. “Many multimodal models still struggle with something most humans find routine: Telling the time,” the Stanford HAI report points out. The seemingly simple task combines visual perception with simple arithmetic, identification of clock hands and their positions, and conversion of those into a time value. Ultimately, errors at any of these steps can cascade, leading to incorrect results, according to researchers. In analysis, models were shown a range of clock styles: standard analog, clocks without a second hand, those with arrows as hands, others with black dials or Roman numerals. But even after fine-tuning on 5,000 synthetic images, models improved only on familiar formats and failed to generalize to real-world variations (like distorted dials or thinner hands). Researchers extrapolated that, when models confused hour and minute hands, their ability to interpret direction deteriorated, suggesting that the challenge lies not just in data, but in integrating multiple visual cues. “Even as models close the gap with human experts on knowledge-intensive tasks, this kind of visual reasoning remains a persistent challenge,” Stanford HAI notes. Hallucination and multi-step reasoning remain major gaps Even as models continue to accelerate in their reasoning, hallucinations remain a major concern. In one benchmark, for instance, hallucination rates across 26 leading models ranged from 22% to 94%. Accuracy for some models dropped sharply when put under scrutiny —for example, GPT-4o's accuracy slid from 98.2% to 64.4%, and DeepSeek R1 plummeted from more than 90% to 14.4%. On the other hand, Grok 4.20 Beta, Claude 4.5 Haiku, and MiMo-V2-Pro showed the lowest rates. Further, models continue to struggle with multi-step workflows, even as they are tasked with more of them. For example, on the τ-bench benchmark — which evaluates tool use and multi-turn reasoning — no model exceeded 71%, suggesting that “managing multiturn conversations while correctly using tools and following policy constraints remains difficult even for frontier models,” according to the Stanford HAI report. Models are becoming opaque Leading models are now “nearly indistinguishable” from each other when it comes to performance, the Stanford HAI report notes. Open-weight models are more competitive than ever, but they are converging. As capability is no longer a “clear differentiator,” competitive pressure is shifting toward cost, reliability, and real-world usefulness. Frontier labs are disclosing less information about their models, evaluation methods are quickly losing relevance, and independent testing can’t always corroborate developer-reported metrics. As Stanford HAI points out: “The most capable systems are now the least transparent.” Training code, parameter counts, dataset sizes, and durations are often being withheld — by firms including OpenAI, Anthropic and Google. And transparency is declining more broadly: In 2025, 80 out of 95 models were released without corresponding training code, while only four made their code fully open source. Further, after rising between 2023 and 2024, scores on the Foundation Model Transparency Index — which ranks major foundation developers on 100 transparency indicators — have since dropped. The average score is now 40, representing a 17 point decrease. “Major gaps persist in disclosure around training data, compute resources, and post-deployment impact,” according to the report. Benchmarking AI is getting harder — and less reliable The benchmarks used to measure AI progress are facing growing reliability issues, with error rates reaching as high as 42% on widely-used evaluations. “AI is being tested more ambitiously across reasoning, safety, and real-world task execution,” the Stanford report notes, yet “those measurements are increasingly difficult to rely on.” Key challenges include: “Sparse and declining” reporting on bias from developers Benchmark contamination, or when models are exposed to test data; this can lead to “falsely inflated” scores Discrepancies between developer-reported results and independent testing “Poorly constructed” evals lacking documentation, details on statistical significance and reproducible scripts “Growing opacity and non-standard prompting” that make model-to-model comparisons unreliable “Even when benchmark scores are technically valid, strong benchmark performance does not always translate to real-world utility,” according to the report. Further, “AI capability is outpacing the benchmarks designed to measure it.” This is leading to “benchmark saturation,” where models achieve scores so high that tests can no longer differentiate between them. More complex, interactive forms of intelligence are becoming increasingly difficult to benchmark. Some are calling for evals that measure human-AI collaboration, rather than AI performance in isolation, but this technique is early in development. “Evaluations intended to be challenging for years are saturated in months, compressing the window in which benchmarks remain useful for tracking progress,” according to Stanford HAI. Are we at \"peak data\"? As builders move into more data-intensive inference, there is growing concern about data bottlenecks and scaling sustainability. Leading researchers are warning that the available pool of high-quality human text and web data has been “exhausted” — a state referred to as “peak data.” Hybrid approaches combining real and synthetic data can “significantly accelerate training” — sometimes by a factor of 5 to 10 — and smaller models trained on purely synthetic data have shown promise for narrowly defined tasks like classification or code generation, according to Stanford HAI. Synthetically generated data can be effective for improving model performance in post-training settings, including fine-tuning, alignment, instruction tuning, and reinforcement learning (RL), the report notes. However, “these gains have not generalized to large, general-purpose language models.” Rather than scaling data “indiscriminately,” researchers are turning to pruning, curating, and refining inputs, and are improving performance by cleaning labels, deduplicating samples, and constructing overall higher-quality datasets. “Discussions on data availability often overlook an important shift in recent AI research,” according to the report. “Performance gains are increasingly driven by improving the quality of existing datasets, not by acquiring more.” Responsible AI is falling behind While the infrastructure for responsible AI is growing, progress has been “uneven” and is unable to keep pace with rapid capability gains, according to Stanford HAI. While almost all leading frontier AI model developers report results on capability benchmarks, corresponding reporting on safety and responsibility is inconsistent and “spotty.” Documented AI incidents rose significantly year over year — 362 in 2025 compared to 233 in 2024. And, while several frontier models received “Very Good” or “Good” safety ratings under standard use (per the AILuminate benchmark , which assesses generative AI across 12 “hazard” categories), safety performance dropped across all models when tested against jailbreak attempts using adversarial prompts. “AI models perform well on safety tests under normal conditions, but their defenses weaken under deliberate attack,” Stanford HAI notes. Adding to this challenge, builders have reported that improving one dimension, such as safety, can degrade another, like accuracy. “The infrastructure for responsible AI is growing, but progress has been uneven, and it is not keeping pace with the speed of AI deployment,” according to Stanford researchers. The Stanford data makes one thing clear: the gap that matters in 2026 isn't between AI and human performance. It's between what AI can do in a demo and what it does reliably in production. Right now — with less transparency from the labs and benchmarks that saturate before they're useful — that gap is harder to measure than ever.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/4z68iLEpqAtIY5EAKVlov3\/eda1e72826a8322c9042c0c5f1fe7726\/AI_question.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/frontier-models-are-failing-one-in-three-production-attempts-and-getting-harder-to-audit",
            "date": "2026-04-15",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تفشل النماذج الرائدة في واحدة من كل ثلاث محاولات إنتاج، وتزداد صعوبة تدقيقها",
            "summary_ar": "لقد تم الآن تضمين وكلاء الذكاء الاصطناعي في سير عمل المؤسسات الحقيقية، وما زالوا يفشلون تقريبًا في واحدة من كل ثلاث محاولات في المعايير المنظمة. تمثل هذه الفجوة بين القدرة والموثوقية التحدي التشغيلي المحدد لقادة تكنولوجيا المعلومات في عام 2026، وفقًا لتقرير مؤشر الذكاء الاصطناعي السنوي التاسع الصادر عن جامعة ستانفورد هاي. هذا الأداء غير المتكافئ وغير المتوقع هو ما يطلق عليه مؤشر الذكاء الاصطناعي \"الحدود الخشنة\"، وهو مصطلح صاغه باحث الذكاء الاصطناعي إيثان موليك لوصف الحدود التي يتفوق فيها الذكاء الاصطناعي ثم يفشل فجأة. يشير باحثو جامعة ستانفورد هاي إلى أن «نماذج الذكاء الاصطناعي يمكن أن تفوز بميدالية ذهبية في الأولمبياد الدولي للرياضيات، لكنها لا تزال غير قادرة على تحديد الوقت بشكل موثوق». كيف تطورت النماذج في عام 2025، وصل اعتماد الذكاء الاصطناعي للمؤسسات إلى 88%. الإنجازات البارزة في عام 2025 وأوائل عام 2026: النماذج الحدودية مرات الظهور",
            "body_ar": "لقد تم الآن تضمين وكلاء الذكاء الاصطناعي في سير عمل المؤسسات الحقيقية، وما زالوا يفشلون تقريبًا في واحدة من كل ثلاث محاولات في المعايير المنظمة. تمثل هذه الفجوة بين القدرة والموثوقية التحدي التشغيلي المحدد لقادة تكنولوجيا المعلومات في عام 2026، وفقًا لتقرير مؤشر الذكاء الاصطناعي السنوي التاسع الصادر عن جامعة ستانفورد هاي. هذا الأداء غير المتكافئ وغير المتوقع هو ما يطلق عليه مؤشر الذكاء الاصطناعي \"الحدود الخشنة\"، وهو مصطلح صاغه باحث الذكاء الاصطناعي إيثان موليك لوصف الحدود التي يتفوق فيها الذكاء الاصطناعي ثم يفشل فجأة. يشير باحثو جامعة ستانفورد هاي إلى أن «نماذج الذكاء الاصطناعي يمكن أن تفوز بميدالية ذهبية في الأولمبياد الدولي للرياضيات، لكنها لا تزال غير قادرة على تحديد الوقت بشكل موثوق». كيف تطورت النماذج في عام 2025، وصل اعتماد الذكاء الاصطناعي للمؤسسات إلى 88%. الإنجازات الملحوظة في عام 2025 وأوائل عام 2026: تحسنت النماذج الحدودية بنسبة 30% في عام واحد فقط في الاختبار الأخير للإنسانية (HLE)، والذي يتضمن 2500 سؤال في الرياضيات والعلوم الطبيعية واللغات القديمة وغيرها من المجالات الفرعية المتخصصة. تم تصميم HLE ليكون صعبًا بالنسبة للذكاء الاصطناعي ومفضلًا للخبراء البشريين. حصلت النماذج الرائدة على درجات أعلى من 87% في اختبار MMLU-Pro، الذي يختبر التفكير متعدد الخطوات استنادًا إلى 12000 سؤال تمت مراجعته بواسطة الإنسان عبر أكثر من اثني عشر تخصصًا. ويشير هذا إلى \"مدى التنافسية التي أصبحت عليها الحدود في مهام المعرفة الواسعة\"، كما يشير باحثو جامعة ستانفورد HAI. سجلت أفضل الموديلات، بما في ذلك Claude Opus 4.5 وGPT-5.2 وQwen3.5، درجات تتراوح بين 62.9% و70.2% على مقاعد τ. يختبر وكلاء الاختبار المعياري مهام العالم الحقيقي في المجالات الواقعية التي تتضمن الدردشة مع مستخدم واستدعاء أدوات خارجية أو واجهات برمجة التطبيقات. ارتفعت دقة النماذج في GAIA، التي تقيس أداء مساعدي الذكاء الاصطناعي العامين، من حوالي 20% إلى 74.5%. ارتفع أداء الوكلاء في SWE-bench Verified من 60% إلى ما يقرب من 100% في عام واحد فقط. يقوم المعيار بتقييم النماذج بناءً على قدرتها على حل مشكلات البرامج الواقعية. ارتفعت معدلات النجاح على WebArena من 15% في عام 2023 إلى 74.3% في أوائل عام 2026. ويقدم هذا المعيار بيئة ويب واقعية لتقييم وكلاء الذكاء الاصطناعي المستقلين، وتكليفهم باسترجاع المعلومات، والتنقل في الموقع، وتكوين المحتوى. تقدم أداء الوكيل من 17% في عام 2024 إلى ما يقرب من 65% في أوائل عام 2026 على MLE-bench، الذي يقيم القدرات الهندسية للتعلم الآلي (ML). يُظهر وكلاء الذكاء الاصطناعي مكاسب في القدرات في مجال الأمن السيبراني. على سبيل المثال، قامت النماذج الرائدة بحل 93% من المشكلات على Cybench، وهو معيار يتضمن 40 مهمة على المستوى المهني عبر ست فئات لالتقاط العلم، بما في ذلك التشفير، وأمن الويب، والهندسة العكسية، والطب الشرعي، والاستغلال. تتم مقارنة هذا بنسبة 15% في عام 2024 ويمثل \"أعلى معدل تحسن\"، مما يشير إلى أن مهام الأمن السيبراني \"مناسبة تمامًا لقدرات العملاء الحالية\". كما تطور إنتاج الفيديو بشكل ملحوظ خلال العام الماضي؛ يمكن للنماذج الآن التقاط كيفية تصرف الأشياء. على سبيل المثال، تم اختبار Veo 3 من Google DeepMind عبر أكثر من 18000 مقطع فيديو، وأظهر القدرة على محاكاة الطفو وحل المتاهات دون التدريب على هذه المهام. وكتب الباحثون: \"لم تعد نماذج توليد الفيديو مجرد إنتاج محتوى ذو مظهر واقعي\". \"لقد بدأ البعض في تعلم كيفية عمل العالم المادي فعليًا.\" بشكل عام، يتم استخدام الذكاء الاصطناعي في عدد من المجالات في المؤسسات - إدارة المعرفة، وهندسة البرمجيات وتكنولوجيا المعلومات، والتسويق والمبيعات - والتوسع في المجالات المتخصصة مثل الضرائب، ومعالجة الرهن العقاري، وتمويل الشركات، والاستدلال القانوني، حيث تتراوح الدقة من 60 إلى 90٪. يقول ستانفورد هاي: \"إن قدرة الذكاء الاصطناعي ليست في مرحلة الاستقرار\". \"إنها تتسارع وتصل إلى عدد أكبر من الناس أكثر من أي وقت مضى.\" تتزايد قدرات الذكاء الاصطناعي، لكن الموثوقية متخلفة. النماذج متعددة الوسائط تلبي الآن أو تتجاوز الخطوط الأساسية البشرية في أسئلة العلوم على مستوى الدكتوراه، والتفكير متعدد الوسائط، والرياضيات التنافسية. على سبيل المثال، حصل برنامج Gemini Deep Think على ميدالية ذهبية في الأولمبياد الدولي للرياضيات لعام 2025 (IMO)، حيث قام بحل خمس من ست مسائل شاملة باللغة الطبيعية خلال مهلة زمنية قدرها 4.5 ساعة، وهو تحسن ملحوظ من درجة المستوى الفضي في عام 2024. ومع ذلك، لا تزال أنظمة الذكاء الاصطناعي نفسها تفشل في واحدة من كل ثلاث محاولات تقريبًا، وتواجه مشكلة في مهام الإدراك الأساسية، وفقًا لـ Stanford HAI. في ClockBench - وهو اختبار يغطي 180 تصميمًا للساعة و720 سؤالًا - حققت Gemini Deep Think دقة بنسبة 50.1% فقط، مقارنة بحوالي 90% للبشر. وصلت نسبة GPT-4.5 High إلى نتيجة متطابقة تقريبًا وهي 50.6%. يشير تقرير Stanford HAI إلى أن \"العديد من النماذج متعددة الوسائط لا تزال تعاني من شيء يجده معظم البشر روتينيًا: معرفة الوقت\". تجمع المهمة التي تبدو بسيطة بين الإدراك البصري والحساب البسيط، وتحديد عقارب الساعة ومواضعها، وتحويلها إلى قيمة زمنية. وفي نهاية المطاف، يمكن أن تتكرر الأخطاء في أي من هذه الخطوات، مما يؤدي إلى نتائج غير صحيحة، وفقًا للباحثين. في التحليل، عُرضت على النماذج مجموعة من أنماط الساعات: الساعات التناظرية القياسية، والساعات التي لا تحتوي على عقرب ثانٍ، وتلك التي تحتوي على أسهم كأيدي، وأخرى ذات أقراص سوداء أو أرقام رومانية. ولكن حتى بعد الضبط الدقيق على 5000 صورة اصطناعية، تحسنت النماذج فقط على التنسيقات المألوفة وفشلت في التعميم على الاختلافات في العالم الحقيقي (مثل الأقراص المشوهة أو الأيدي الرقيقة). واستنتج الباحثون أنه عندما تخلط النماذج بين عقرب الساعات وعقرب الدقائق، تتدهور قدرتها على تفسير الاتجاه، مما يشير إلى أن التحدي لا يكمن في البيانات فحسب، بل في دمج الإشارات البصرية المتعددة. يشير ستانفورد هاي إلى أنه \"حتى مع قيام النماذج بسد الفجوة مع الخبراء البشريين في المهام كثيفة المعرفة، فإن هذا النوع من التفكير البصري يظل تحديًا مستمرًا\". تظل الهلوسة والتفكير متعدد الخطوات فجوات كبيرة. وحتى مع استمرار النماذج في التسارع في تفكيرها، تظل الهلوسة مصدر قلق كبير. في أحد المعايير، على سبيل المثال، تراوحت معدلات الهلوسة عبر 26 نموذجًا رائدًا من 22% إلى 94%. انخفضت دقة بعض النماذج بشكل حاد عند وضعها تحت التدقيق - على سبيل المثال، انخفضت دقة GPT-4o من 98.2% إلى 64.4%، وانخفضت دقة DeepSeek R1 من أكثر من 90% إلى 14.4%. من ناحية أخرى، أظهرت Grok 4.20 Beta وClaude 4.5 Haiku وMiMo-V2-Pro أدنى المعدلات. علاوة على ذلك، تستمر النماذج في النضال مع سير العمل متعدد الخطوات، حتى عندما يتم تكليفها بالمزيد منها. على سبيل المثال، في معيار τ-bench ــ الذي يقيم استخدام الأدوات والتفكير متعدد المنعطفات ــ لم يتجاوز أي نموذج 71%، مما يشير إلى أن \"إدارة المحادثات متعددة المنعطفات مع استخدام الأدوات بشكل صحيح واتباع قيود السياسة تظل صعبة حتى بالنسبة للنماذج الرائدة\"، وفقا لتقرير جامعة ستانفورد HAI. النماذج أصبحت غامضة أصبحت النماذج الرائدة الآن \"لا يمكن تمييزها تقريبًا\" عن بعضها البعض عندما يتعلق الأمر بالأداء، كما يشير تقرير Stanford HAI. أصبحت نماذج الوزن المفتوح أكثر تنافسية من أي وقت مضى، لكنها تتقارب. وبما أن القدرة لم تعد \"فرقًا واضحًا\"، فإن الضغط التنافسي يتحول نحو التكلفة والموثوقية والفائدة في العالم الحقيقي. تكشف المختبرات الحدودية عن معلومات أقل حول نماذجها، وتفقد طرق التقييم أهميتها بسرعة، ولا يمكن للاختبارات المستقلة دائمًا تأكيد المقاييس التي أبلغ عنها المطورون. وكما يشير ستانفورد هاي: \"الأنظمة الأكثر قدرة هي الآن الأقل شفافية\". غالبًا ما يتم حجب كود التدريب، وعدد المعلمات، وأحجام مجموعات البيانات، والمدد الزمنية – من قبل شركات بما في ذلك OpenAI، وAnthropic، وGoogle. وتتراجع الشفافية على نطاق أوسع: في عام 2025، تم إصدار 80 نموذجًا من أصل 95 نموذجًا بدون كود تدريب مطابق، في حين جعل أربعة فقط كودهم مفتوح المصدر بالكامل. علاوة على ذلك، بعد الارتفاع بين عامي 2023 و2024، انخفضت النتائج على مؤشر الشفافية لنموذج المؤسسة - الذي يصنف مطوري المؤسسات الرئيسيين على أساس 100 مؤشر للشفافية - منذ ذلك الحين. ويبلغ متوسط ​​النتيجة الآن 40، وهو ما يمثل انخفاضًا بمقدار 17 نقطة. وفقًا للتقرير، \"لا تزال هناك فجوات كبيرة في الكشف عن بيانات التدريب والموارد الحاسوبية وتأثير ما بعد النشر\". أصبحت المقارنة المعيارية للذكاء الاصطناعي أكثر صعوبة - وأقل موثوقية تواجه المعايير المستخدمة لقياس تقدم الذكاء الاصطناعي مشكلات موثوقية متزايدة، حيث تصل معدلات الخطأ إلى 42% في التقييمات المستخدمة على نطاق واسع. ويشير تقرير جامعة ستانفورد إلى أن \"الذكاء الاصطناعي يجري اختباره بشكل أكثر طموحًا عبر الاستدلال والسلامة وتنفيذ المهام في العالم الحقيقي\"، إلا أن \"تلك القياسات يصعب الاعتماد عليها بشكل متزايد\". تشمل التحديات الرئيسية ما يلي: التقارير \"المتناثرة والمتراجعة\" عن التحيز من المطورين، والتلوث المعياري، أو عندما تتعرض النماذج لبيانات الاختبار؛ يمكن أن يؤدي ذلك إلى درجات \"مضخمة بشكل خاطئ\" تناقضات بين النتائج التي أبلغ عنها المطور والاختبارات المستقلة التقييمات \"سيئة البناء\" التي تفتقر إلى الوثائق، تفاصيل حول الأهمية الإحصائية والنصوص القابلة للتكرار \"تزايد التعتيم والمطالبة غير القياسية\" التي تجعل المقارنات من نموذج إلى نموذج غير موثوقة \"حتى عندما تكون النتائج المرجعية صالحة من الناحية الفنية، فإن الأداء المرجعي القوي لا يترجم دائمًا إلى فائدة في العالم الحقيقي\"، وفقًا للتقرير. علاوة على ذلك، فإن \"قدرة الذكاء الاصطناعي تتجاوز المعايير المصممة لقياسها\". ويؤدي هذا إلى \"التشبع المعياري\"، حيث تحقق النماذج درجات عالية إلى الحد الذي يجعل الاختبارات غير قادرة على التمييز بينها. لقد أصبح من الصعب على نحو متزايد قياس أشكال الذكاء التفاعلية الأكثر تعقيدا. ويدعو البعض إلى إجراء تقييمات تقيس التعاون بين الإنسان والذكاء الاصطناعي، بدلاً من أداء الذكاء الاصطناعي بشكل منفصل، ولكن هذه التقنية لا تزال في مرحلة مبكرة من التطوير. وفقًا لـ Stanford HAI، فإن \"التقييمات التي يُقصد بها أن تكون صعبة لسنوات، تصبح مشبعة في أشهر، مما يضغط النافذة التي تظل فيها المعايير مفيدة لتتبع التقدم\". هل نحن في \"ذروة البيانات\"؟ مع انتقال المطورين إلى المزيد من الاستدلال المكثف للبيانات، هناك قلق متزايد بشأن اختناقات البيانات وتوسيع نطاق الاستدامة. يحذر كبار الباحثين من أن المجموعة المتاحة من النصوص البشرية وبيانات الويب عالية الجودة قد \"استنفدت\" - وهي حالة يشار إليها باسم \"بيانات الذروة\". يمكن للأساليب الهجينة التي تجمع بين البيانات الحقيقية والتركيبية أن \"تسرع التدريب بشكل كبير\" - أحيانًا بعامل من 5 إلى 10 - وقد أظهرت النماذج الأصغر المدربة على البيانات الاصطناعية البحتة نتائج واعدة لمهام محددة بشكل ضيق، مثل التصنيف، أو توليد التعليمات البرمجية، وفقًا لمعهد ستانفورد للذكاء الاصطناعي (HAI). يشير التقرير إلى أن البيانات المولدة صناعيًا يمكن أن تكون فعالة لتحسين أداء النموذج في إعدادات ما بعد التدريب، بما في ذلك الضبط الدقيق والمحاذاة وضبط التعليمات والتعلم المعزز (RL). ومع ذلك، \"لم يتم تعميم هذه المكاسب على النماذج اللغوية الكبيرة ذات الأغراض العامة\". وبدلاً من قياس البيانات \"عشوائياً\"، يلجأ الباحثون إلى تقليم المدخلات وتنسيقها وتنقيتها، ويعملون على تحسين الأداء من خلال تنظيف الملصقات، وإلغاء تكرار العينات، وإنشاء مجموعات بيانات أعلى جودة بشكل عام. وفقًا للتقرير، \"غالبًا ما تتجاهل المناقشات حول توفر البيانات تحولًا مهمًا في أبحاث الذكاء الاصطناعي الحديثة\". \"إن مكاسب الأداء مدفوعة بشكل متزايد بتحسين جودة مجموعات البيانات الحالية، وليس عن طريق الحصول على المزيد.\" الذكاء الاصطناعي المسؤول يتخلف عن الركب بينما تنمو البنية التحتية للذكاء الاصطناعي المسؤول، كان التقدم \"متفاوتًا\" وغير قادر على مواكبة المكاسب السريعة في القدرات، وفقًا لمعهد ستانفورد للذكاء الاصطناعي. في حين أن جميع مطوري نماذج الذكاء الاصطناعي الرائدين تقريبًا يقدمون نتائج حول معايير القدرات، فإن التقارير المقابلة حول السلامة والمسؤولية غير متسقة و\"متقطعة\". ارتفعت حوادث الذكاء الاصطناعي الموثقة بشكل ملحوظ على أساس سنوي - 362 في عام 2025 مقارنة بـ 233 في عام 2024. وبينما حصلت العديد من النماذج الرائدة على تصنيفات أمان \"جيد جدًا\" أو \"جيد\" في ظل الاستخدام القياسي (وفقًا لمعيار AILuminate، الذي يقيم الذكاء الاصطناعي التوليدي عبر 12 فئة \"خطر\")، انخفض أداء السلامة عبر جميع النماذج عند اختبارها ضد محاولات كسر الحماية باستخدام المطالبات العدائية. يشير ستانفورد هاي إلى أن \"نماذج الذكاء الاصطناعي تؤدي أداءً جيدًا في اختبارات السلامة في ظل الظروف العادية، لكن دفاعاتها تضعف عند التعرض لهجوم متعمد\". إضافة إلى هذا التحدي، أفاد عمال البناء أن تحسين أحد الأبعاد، مثل السلامة، يمكن أن يؤدي إلى تدهور بُعد آخر، مثل الدقة. وفقًا لباحثي جامعة ستانفورد، فإن “البنية التحتية للذكاء الاصطناعي المسؤول آخذة في النمو، لكن التقدم كان متفاوتًا، ولا يواكب سرعة نشر الذكاء الاصطناعي”. توضح بيانات جامعة ستانفورد شيئًا واحدًا: الفجوة المهمة في عام 2026 ليست بين الذكاء الاصطناعي والأداء البشري. إنه بين ما يمكن أن يفعله الذكاء الاصطناعي في العرض التوضيحي وما يفعله بشكل موثوق في الإنتاج. في الوقت الحالي - مع انخفاض الشفافية من المختبرات والمعايير التي تشبع قبل أن تكون مفيدة - يصعب قياس هذه الفجوة أكثر من قياسها. أبدًا.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/meta-researchers-introduce-hyperagents-to-unlock-self-improving-ai-for-non-coding-tasks",
            "title_en": "Meta researchers introduce 'hyperagents' to unlock self-improving AI for non-coding tasks",
            "summary_en": "Creating self-improving AI systems is an important step toward deploying agents in dynamic environments, especially in enterprise production environments, where tasks are not always predictable, nor consistent. Current self-improving AI systems face severe limitations because they rely on fixed, handcrafted improvement mechanisms that only work under strict conditions such as software engineering. To overcome this practical challenge, researchers at Meta and several universities introduced “ hyperagents ,” a self-improving AI system that continuously rewrites and optimizes its problem-solving logic and the underlying code. In practice, this allows the AI to self-improve across non-coding domains, such as robotics and document review. The agent independently invents general-purpose capabili",
            "body_en": "Creating self-improving AI systems is an important step toward deploying agents in dynamic environments, especially in enterprise production environments, where tasks are not always predictable, nor consistent. Current self-improving AI systems face severe limitations because they rely on fixed, handcrafted improvement mechanisms that only work under strict conditions such as software engineering. To overcome this practical challenge, researchers at Meta and several universities introduced “ hyperagents ,” a self-improving AI system that continuously rewrites and optimizes its problem-solving logic and the underlying code. In practice, this allows the AI to self-improve across non-coding domains, such as robotics and document review. The agent independently invents general-purpose capabilities like persistent memory and automated performance tracking. More broadly, hyperagents don't just get better at solving tasks, they learn to improve the self-improving cycle to accelerate progress. This framework can help develop highly adaptable agents that autonomously build structured, reusable decision machinery. This approach compounds capabilities over time with less need for constant, manual prompt engineering and domain-specific human customization. Current self-improving AI and its architectural bottlenecks The core goal of self-improving AI systems is to continually enhance their own learning and problem-solving capabilities. However, most existing self-improvement models rely on a fixed “meta agent.” This static, high-level supervisory system is designed to modify a base system. “The core limitation of handcrafted meta-agents is that they can only improve as fast as humans can design and maintain them,” Jenny Zhang, co-author of the paper, told VentureBeat. “Every time something changes or breaks, a person has to step in and update the rules or logic.” Instead of an abstract theoretical limit, this creates a practical “maintenance wall.” The current paradigm ties system improvement directly to human iteration speed, slowing down progress because it relies heavily on manual engineering effort rather than scaling with agent-collected experience. To overcome this limitation, the researchers argue that the AI system must be “fully self-referential.” These systems must be able to analyze, evaluate, and rewrite any part of themselves without the constraints of their initial setup. This allows the AI system to break free from structural limits and become self-accelerating. One example of a self-referential AI system is Sakana AI’s Darwin Gödel Machine (DGM), an AI system that improves itself by rewriting its own code. In DGM, an agent iteratively generates, evaluates, and modifies its own code, saving successful variants in an archive to act as stepping stones for future improvements. DGM proved open-ended, recursive self-improvement is practically achievable in coding. However, DGM falls short when applied to real-world applications outside of software engineering because of a critical skill gap. In DGM, the system improves because both evaluation and self-modification are coding tasks. Improving the agent's coding ability naturally improves its ability to rewrite its own code. But if you deploy DGM for a non-coding enterprise task, this alignment breaks down. “For tasks like math, poetry, or paper review, improving task performance does not necessarily improve the agent’s ability to modify its own behavior,” Zhang said. The skills needed to analyze subjective text or business data are entirely different from the skills required to analyze failures and write new Python code to fix them. DGM also relies on a fixed, human-engineered mechanism to generate its self-improvement instructions. In practice, if enterprise developers want to use DGM for anything other than coding, they must heavily engineer and manually customize the instruction prompts for every new domain. The hyperagent framework To overcome the limitations of previous architectures, the researchers introduce hyperagents. The framework proposes “self-referential agents that can in principle self-improve for any computable task.” In this framework, an agent is any computable program that can invoke LLMs, external tools, or learned components. Traditionally, these systems are split into two distinct roles: a “task agent” that executes the specific problem at hand, and a “meta agent” that analyzes and modifies the agents. A hyperagent fuses both the task agent and the meta agent into a single, self-referential, and editable program. Because the entire program can be rewritten, the system can modify the self-improvement mechanism, a process the researchers call metacognitive self-modification. \"Hyperagents are not just learning how to solve the given tasks better, but also learning how to improve,\" Zhang said. \"Over time, this leads to accumulation. Hyperagents do not need to rediscover how to improve in each new domain. Instead, they retain and build on improvements to the self-improvement process itself, allowing progress to compound across tasks.\" The researchers extended the Darwin Gödel Machine to create DGM-Hyperagents (DGM-H). DGM-H retains the powerful open-ended exploration structure of the original DGM, which prevents the AI from converging too early or getting stuck in dead ends by maintaining a growing archive of successful hyperagents. The system continuously branches from selected candidates in this archive, allows them to self-modify, evaluates the new variants on given tasks, and adds the successful ones back into the pool as stepping stones for future iterations. By combining this open-ended evolutionary search with metacognitive self-modification, DGM-H eliminates the fixed, human-engineered instruction step of the original DGM. This enables the agent to self-improve across any computable task. Hyperagents in action The researchers used the Polyglot coding benchmark to compare the hyperagent framework against previous coding-only AI. They also evaluated hyperagents across non-coding domains that involve subjective reasoning, external tool use, and complex logic. These included paper review to simulate a peer reviewer outputting accept or reject decisions, reward model design for training a quadruped robot, and Olympiad-level math grading. Math grading served as a held-out test to see if an AI that learned how to self-improve while reviewing papers and designing robots could transfer those meta-skills to an entirely unseen domain. The researchers compared hyperagents against several baselines, including domain-specific models like AI-Scientist-v2 for paper reviews and the ProofAutoGrader for math. They also tested against the classic DGM and a manually customized DGM for new domains. On the coding benchmark, hyperagents matched the performance of DGM despite not being designed specifically for coding. In paper review and robotics, hyperagents outperformed the open-source baselines and human-engineered reward functions. When the researchers took a hyperagent optimized for paper review and robotics and deployed it on the unseen math grading task, it achieved an improvement metric of 0.630 in 50 iterations. Baselines relying on classic DGM architectures remained at a flat 0.0. The hyperagent even beat the domain-specific ProofAutoGrader. The experiments also highlighted interesting autonomous behaviors from hyperagents. In paper evaluation, the agent first used standard prompt-engineering tricks like adopting a rigorous persona. When this proved unreliable, it rewrote its own code to build a multi-stage evaluation pipeline with explicit checklists and rigid decision rules, leading to much higher consistency. Hyperagents also autonomously developed a memory tool to avoid repeating past mistakes. Furthermore, the system wrote a performance tracker to log and monitor the result of architectural changes across generations. The model even developed a compute-budget aware behavior, where it tracked remaining iterations to adjust its planning. Early generations executed ambitious architectural changes, while later generations focused on conservative, incremental refinements. For enterprise data teams wondering where to start, Zhang recommends focusing on tasks where success is unambiguous. “Workflows that are clearly specified and easy to evaluate, often referred to as verifiable tasks, are the best starting point,” she said. “This generally opens new opportunities for more exploratory prototyping, more exhaustive data analysis, more exhaustive A\/B testing, [and] faster feature engineering.” For harder, unverified tasks, teams can use hyperagents to first develop learned judges that better reflect human preferences, creating a bridge to more complex domains. The researchers have shared the code for hyperagents , though it has been released under a non-commercial license. Caveats and future threats The benefits of hyperagents introduce clear tradeoffs. The researchers highlight several safety considerations regarding systems that can modify themselves in increasingly open-ended ways. These AI systems pose the risk of evolving far more rapidly than humans can audit or interpret. While researchers contained DGM-H within safety boundaries such as sandboxed environments designed to prevent unintended side effects, these initial safeguards are actually practical deployment blueprints. Zhang advises developers to enforce resource limits and restrict access to external systems during the self-modification phase. “The key principle is to separate experimentation from deployment: allow the agent to explore and improve within a controlled sandbox, while ensuring that any changes that affect real systems are carefully validated before being applied,” she said. Only after the newly modified code passes developer-defined correctness checks should it be promoted to a production setting. Another significant danger is evaluation gaming, where the AI improves its metrics without making actual progress toward the intended real-world goal. Because hyperagents are driven by empirical evaluation signals, they can autonomously discover strategies that exploit blind spots or weaknesses in the evaluation procedure itself to artificially inflate their scores. Preventing this behavior requires developers to implement diverse, robust, and periodically refreshed evaluation protocols alongside continuous human oversight. Ultimately, these systems will shift the day-to-day responsibilities of human engineers. Just as we do not recompute every operation a calculator performs, future AI orchestration engineers will not write the improvement logic directly, Zhang believes. Instead, they will design the mechanisms for auditing and stress-testing the system. “As self-improving systems become more capable, the question is no longer just how to improve performance, but what objectives are worth pursuing,” Zhang said. “In that sense, the role evolves from building systems to shaping their direction.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/1te7TWAOn1zlkpI0olaGmB\/a1259716ffd9dd449b4834b6b8dcc8f2\/self-improving_AI.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/meta-researchers-introduce-hyperagents-to-unlock-self-improving-ai-for-non-coding-tasks",
            "date": "2026-04-15",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يقدم باحثو ميتا \"العوامل الفائقة\" لإطلاق العنان للذكاء الاصطناعي المحسّن ذاتيًا للمهام غير البرمجية",
            "summary_ar": "يعد إنشاء أنظمة الذكاء الاصطناعي ذاتية التحسين خطوة مهمة نحو نشر الوكلاء في البيئات الديناميكية، خاصة في بيئات إنتاج المؤسسات، حيث لا يمكن التنبؤ بالمهام دائمًا، ولا تكون متسقة. تواجه أنظمة الذكاء الاصطناعي الحالية ذاتية التحسين قيودًا شديدة لأنها تعتمد على آليات تحسين ثابتة ومصنوعة يدويًا ولا تعمل إلا في ظل ظروف صارمة مثل هندسة البرمجيات. وللتغلب على هذا التحدي العملي، قدم الباحثون في ميتا والعديد من الجامعات \"الوكلاء الفائقين\"، وهو نظام ذكاء اصطناعي ذاتي التحسين يعيد كتابة وتحسين منطق حل المشكلات والرمز الأساسي بشكل مستمر. ومن الناحية العملية، يسمح هذا للذكاء الاصطناعي بالتحسين الذاتي عبر المجالات غير المتعلقة بالتشفير، مثل الروبوتات ومراجعة المستندات. الوكيل يخترع بشكل مستقل للأغراض العامة capabili",
            "body_ar": "يعد إنشاء أنظمة الذكاء الاصطناعي ذاتية التحسين خطوة مهمة نحو نشر الوكلاء في البيئات الديناميكية، خاصة في بيئات إنتاج المؤسسات، حيث لا يمكن التنبؤ بالمهام دائمًا، ولا تكون متسقة. تواجه أنظمة الذكاء الاصطناعي الحالية ذاتية التحسين قيودًا شديدة لأنها تعتمد على آليات تحسين ثابتة ومصنوعة يدويًا ولا تعمل إلا في ظل ظروف صارمة مثل هندسة البرمجيات. وللتغلب على هذا التحدي العملي، قدم الباحثون في ميتا والعديد من الجامعات \"الوكلاء الفائقين\"، وهو نظام ذكاء اصطناعي ذاتي التحسين يعيد كتابة وتحسين منطق حل المشكلات والرمز الأساسي بشكل مستمر. ومن الناحية العملية، يسمح هذا للذكاء الاصطناعي بالتحسين الذاتي عبر المجالات غير المتعلقة بالتشفير، مثل الروبوتات ومراجعة المستندات. يخترع الوكيل بشكل مستقل قدرات للأغراض العامة مثل الذاكرة الدائمة وتتبع الأداء الآلي. على نطاق أوسع، لا يتحسن الوكلاء الفائقون في حل المهام فحسب، بل يتعلمون تحسين دورة التحسين الذاتي لتسريع التقدم. يمكن أن يساعد هذا الإطار في تطوير عوامل قابلة للتكيف بشكل كبير، يمكنها بشكل مستقل بناء آلية اتخاذ قرار منظمة وقابلة لإعادة الاستخدام. يعمل هذا النهج على مضاعفة القدرات بمرور الوقت مع تقليل الحاجة إلى هندسة سريعة يدوية ثابتة وتخصيص بشري خاص بالمجال. الذكاء الاصطناعي الحالي المحسّن ذاتيًا واختناقاته المعمارية الهدف الأساسي لأنظمة الذكاء الاصطناعي ذاتية التحسين هو التحسين المستمر لقدراتها على التعلم وحل المشكلات. ومع ذلك، فإن معظم نماذج التحسين الذاتي الحالية تعتمد على \"وكيل تعريف\" ثابت. تم تصميم هذا النظام الإشرافي الثابت عالي المستوى لتعديل النظام الأساسي. قالت جيني تشانغ، المؤلفة المشاركة في الورقة البحثية، لـ VentureBeat: “إن القيد الأساسي للعوامل الوصفية المصنوعة يدويًا هو أنها لا يمكن أن تتحسن إلا بالسرعة التي يستطيع بها البشر تصميمها وصيانتها”. \"في كل مرة يتغير فيها شيء ما أو ينكسر، يجب على الشخص التدخل وتحديث القواعد أو المنطق.\" فبدلاً من الحد النظري المجرد، يؤدي هذا إلى إنشاء \"جدار صيانة\" عملي. يربط النموذج الحالي تحسين النظام بشكل مباشر بسرعة التكرار البشري، مما يؤدي إلى إبطاء التقدم لأنه يعتمد بشكل كبير على الجهد الهندسي اليدوي بدلاً من التوسع باستخدام الخبرة المجمعة من قبل الوكيل. وللتغلب على هذا القيد، يرى الباحثون أن نظام الذكاء الاصطناعي يجب أن يكون \"مرجعيًا ذاتيًا بالكامل\". يجب أن تكون هذه الأنظمة قادرة على تحليل وتقييم وإعادة كتابة أي جزء منها دون قيود الإعداد الأولي. وهذا يسمح لنظام الذكاء الاصطناعي بالتحرر من الحدود الهيكلية ويصبح ذاتي التسارع. أحد الأمثلة على نظام الذكاء الاصطناعي المرجعي الذاتي هو آلة داروين جودل (DGM) الخاصة بشركة Sakana AI، وهو نظام ذكاء اصطناعي يعمل على تحسين نفسه عن طريق إعادة كتابة التعليمات البرمجية الخاصة به. في DGM، يقوم الوكيل بشكل متكرر بإنشاء التعليمات البرمجية الخاصة به وتقييمها وتعديلها، مع حفظ المتغيرات الناجحة في الأرشيف لتكون بمثابة نقاط انطلاق للتحسينات المستقبلية. أثبتت DGM أن التحسين الذاتي المتكرر والمفتوح يمكن تحقيقه عمليًا في مجال البرمجة. ومع ذلك، فإن DGM يقصر عند تطبيقه على تطبيقات العالم الحقيقي خارج هندسة البرمجيات بسبب وجود فجوة حرجة في المهارات. في DGM، يتحسن النظام لأن كلا من التقييم والتعديل الذاتي هما مهمتان برمجيتان. يؤدي تحسين قدرة الوكيل على الترميز بشكل طبيعي إلى تحسين قدرته على إعادة كتابة التعليمات البرمجية الخاصة به. ولكن إذا قمت بنشر DGM لمهمة مؤسسية غير برمجية، فسوف ينهار هذا التوافق. قال تشانغ: \"بالنسبة لمهام مثل الرياضيات أو الشعر أو المراجعة الورقية، فإن تحسين أداء المهمة لا يؤدي بالضرورة إلى تحسين قدرة الوكيل على تعديل سلوكه\". تختلف المهارات اللازمة لتحليل النص الشخصي أو بيانات العمل تمامًا عن المهارات المطلوبة لتحليل حالات الفشل وكتابة كود Python الجديد لإصلاحها. تعتمد DGM أيضًا على آلية ثابتة مصممة هندسيًا لإنشاء تعليمات التحسين الذاتي الخاصة بها. من الناحية العملية، إذا أراد مطورو المؤسسات استخدام DGM لأي شيء آخر غير البرمجة، فيجب عليهم هندسة تعليمات التعليمات وتخصيصها يدويًا لكل مجال جديد. إطار عمل العامل الفائق للتغلب على القيود المفروضة على البنى السابقة، يقدم الباحثون عوامل مفرطة. يقترح الإطار \"عوامل مرجعية ذاتية يمكنها من حيث المبدأ التحسين الذاتي لأية مهمة قابلة للحساب\". في هذا الإطار، الوكيل هو أي برنامج قابل للحساب يمكنه استدعاء LLMs أو الأدوات الخارجية أو المكونات المستفادة. تقليديًا، تنقسم هذه الأنظمة إلى دورين متميزين: \"وكيل المهام\" الذي ينفذ المشكلة المحددة المطروحة، و\"الوكيل الفوقي\" الذي يقوم بتحليل الوكلاء وتعديلهم. يقوم الوكيل الفائق بدمج كل من وكيل المهام ووكيل التعريف في برنامج واحد ذاتي المرجعية وقابل للتحرير. ولأن البرنامج بأكمله يمكن إعادة كتابته، فيمكن للنظام تعديل آلية التحسين الذاتي، وهي عملية يسميها الباحثون التعديل الذاتي ما وراء المعرفي. وقال تشانغ: \"لا يتعلم العملاء الفائقون كيفية حل المهام المعينة بشكل أفضل فحسب، بل يتعلمون أيضًا كيفية التحسين\". \"بمرور الوقت، يؤدي هذا إلى التراكم. لا يحتاج الوكلاء الفائقون إلى إعادة اكتشاف كيفية التحسين في كل مجال جديد. وبدلاً من ذلك، يحتفظون بالتحسينات التي تم إدخالها على عملية التحسين الذاتي نفسها ويبنون عليها، مما يسمح للتقدم بالتراكم عبر المهام.\" قام الباحثون بتوسيع آلة داروين جودل لإنشاء DGM-Hyperagents (DGM-H). يحتفظ DGM-H بهيكل الاستكشاف القوي المفتوح لـ DGM الأصلي، والذي يمنع الذكاء الاصطناعي من التقارب مبكرًا جدًا أو التعثر في طريق مسدود من خلال الحفاظ على أرشيف متزايد من العوامل الفائقة الناجحة. يتفرع النظام بشكل مستمر من المرشحين المختارين في هذا الأرشيف، ويسمح لهم بالتعديل الذاتي، وتقييم المتغيرات الجديدة في مهام معينة، وإضافة المتغيرات الناجحة مرة أخرى إلى المجموعة كنقاط انطلاق للتكرارات المستقبلية. من خلال الجمع بين هذا البحث التطوري المفتوح والتعديل الذاتي وراء المعرفي، يلغي DGM-H خطوة التعليمات الثابتة التي صممها الإنسان لـ DGM الأصلي. وهذا يمكّن الوكيل من التحسين الذاتي عبر أي مهمة قابلة للحساب. استخدام العوامل الفائقة في العمل استخدم الباحثون معيار ترميز Polyglot لمقارنة إطار عمل العوامل الفائقة مع الذكاء الاصطناعي السابق للتشفير فقط. وقاموا أيضًا بتقييم العوامل الفائقة عبر المجالات غير المشفرة التي تتضمن التفكير الذاتي واستخدام الأدوات الخارجية والمنطق المعقد. وشملت هذه المراجعة الورقية لمحاكاة أحد المراجعين الذين يصدرون قرارات القبول أو الرفض، وتصميم نموذج المكافأة لتدريب روبوت رباعي الأرجل، وتصنيف الرياضيات على مستوى الأولمبياد. كان تصنيف الرياضيات بمثابة اختبار لمعرفة ما إذا كان الذكاء الاصطناعي الذي تعلم كيفية التحسين الذاتي أثناء مراجعة الأوراق وتصميم الروبوتات يمكنه نقل تلك المهارات الفوقية إلى مجال غير مرئي تمامًا. قام الباحثون بمقارنة العوامل الفائقة مع العديد من خطوط الأساس، بما في ذلك النماذج الخاصة بالمجال مثل AI-Scientist-v2 للمراجعات الورقية وProofAutoGrader للرياضيات. لقد قاموا أيضًا باختبار DGM الكلاسيكي وDGM المخصص يدويًا للنطاقات الجديدة. في معيار الترميز، تطابقت العوامل الفائقة مع أداء DGM على الرغم من عدم تصميمها خصيصًا للترميز. في مراجعة الأوراق والروبوتات، تفوقت العوامل الفائقة في الأداء على الخطوط الأساسية مفتوحة المصدر ووظائف المكافأة التي صممها الإنسان. عندما استخدم الباحثون وكيلًا فائقًا مُحسَّنًا لمراجعة الأوراق والروبوتات ونشروه في مهمة تقدير الرياضيات غير المرئية، حقق مقياس تحسين قدره 0.630 في 50 تكرارًا. ظلت الخطوط الأساسية التي تعتمد على بنيات DGM الكلاسيكية عند مستوى 0.0. حتى أن Hyperagent تغلب على ProofAutoGrader الخاص بالمجال. سلطت التجارب الضوء أيضًا على السلوكيات المستقلة المثيرة للاهتمام من العوامل المفرطة. في التقييم الورقي، استخدم الوكيل لأول مرة حيلًا قياسية للهندسة السريعة مثل تبني شخصية صارمة. وعندما ثبت عدم موثوقية ذلك، أعادت كتابة الكود الخاص بها لبناء مسار تقييم متعدد المراحل مع قوائم مرجعية واضحة وقواعد قرار صارمة، مما أدى إلى اتساق أعلى بكثير. قامت Hyperagents أيضًا بتطوير أداة ذاكرة بشكل مستقل لتجنب تكرار أخطاء الماضي. علاوة على ذلك، قام النظام بكتابة أداة تتبع الأداء لتسجيل ومراقبة نتيجة التغييرات المعمارية عبر الأجيال. حتى أن النموذج طور سلوكًا مدركًا للميزانية الحسابية، حيث قام بتتبع التكرارات المتبقية لضبط تخطيطه. نفذت الأجيال الأولى تغييرات معمارية طموحة، في حين ركزت الأجيال اللاحقة على التحسينات التدريجية والمحافظة. بالنسبة لفرق بيانات المؤسسة التي تتساءل من أين تبدأ، يوصي تشانغ بالتركيز على المهام التي يكون النجاح فيها واضحًا. وقالت: \"إن سير العمل المحدد بوضوح وسهل التقييم، والذي يشار إليه غالبًا بالمهام التي يمكن التحقق منها، هو أفضل نقطة بداية\". \"يفتح هذا بشكل عام فرصًا جديدة لمزيد من النماذج الأولية الاستكشافية، وتحليل بيانات أكثر شمولاً، واختبار أ\/ب أكثر شمولاً، وهندسة الميزات بشكل أسرع.\" بالنسبة للمهام الأصعب والتي لم يتم التحقق منها، يمكن للفرق استخدام الوكلاء الفائقين لتطوير حكام متعلمين يعكسون التفضيلات البشرية بشكل أفضل، مما يخلق جسرًا إلى مجالات أكثر تعقيدًا. وقد شارك الباحثون الكود الخاص بالوكلاء الفائقين، على الرغم من أنه تم إصداره بموجب ترخيص غير تجاري. التحذيرات والتهديدات المستقبلية تقدم فوائد العوامل الفائقة مقايضات واضحة. يسلط الباحثون الضوء على العديد من اعتبارات السلامة المتعلقة بالأنظمة التي يمكنها تعديل نفسها بطرق مفتوحة بشكل متزايد. تشكل أنظمة الذكاء الاصطناعي هذه خطر التطور بسرعة أكبر بكثير مما يستطيع البشر تدقيقه أو تفسيره. في حين قام الباحثون باحتواء DGM-H ضمن حدود السلامة مثل البيئات المعزولة المصممة لمنع الآثار الجانبية غير المقصودة، فإن هذه الضمانات الأولية هي في الواقع مخططات نشر عملية. ينصح Zhang المطورين بفرض حدود على الموارد وتقييد الوصول إلى الأنظمة الخارجية أثناء مرحلة التعديل الذاتي. وقالت: \"المبدأ الأساسي هو فصل التجريب عن النشر: السماح للوكيل بالاستكشاف والتحسين ضمن بيئة معزولة خاضعة للرقابة، مع ضمان التحقق من صحة أي تغييرات تؤثر على الأنظمة الحقيقية بعناية قبل تطبيقها\". فقط بعد اجتياز التعليمات البرمجية المعدلة حديثًا لعمليات التحقق من الصحة التي حددها المطور، يجب ترقيتها إلى إعداد الإنتاج. هناك خطر كبير آخر يتمثل في ألعاب التقييم، حيث يعمل الذكاء الاصطناعي على تحسين مقاييسه دون إحراز تقدم فعلي نحو الهدف الواقعي المقصود. ونظرًا لأن الوكلاء الفائقين مدفوعون بإشارات تقييم تجريبية، فيمكنهم بشكل مستقل اكتشاف الاستراتيجيات التي تستغل النقاط العمياء أو نقاط الضعف في إجراء التقييم نفسه لتضخيم درجاتهم بشكل مصطنع. يتطلب منع هذا السلوك من المطورين تنفيذ بروتوكولات تقييم متنوعة وقوية ويتم تحديثها دوريًا إلى جانب الإشراف البشري المستمر. وفي نهاية المطاف، ستغير هذه الأنظمة المسؤوليات اليومية للمهندسين البشريين. يعتقد تشانغ أنه مثلما لا نقوم بإعادة حساب كل عملية تقوم بها الآلة الحاسبة، فإن مهندسي تنسيق الذكاء الاصطناعي المستقبليين لن يكتبوا منطق التحسين مباشرة. وبدلاً من ذلك، سيقومون بتصميم آليات لمراجعة النظام واختبار ضغطه. وقال تشانغ: \"مع زيادة قدرة أنظمة التحسين الذاتي، لم يعد السؤال هو كيفية تحسين الأداء فحسب، بل ما هي الأهداف التي تستحق المتابعة\". \"وبهذا المعنى، يتطور الدور من بناء الأنظمة إلى تشكيلها اتجاه.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/we-tested-anthropics-redesigned-claude-code-desktop-app-and-routines-heres-what-enterprises-should-know",
            "title_en": "We tested Anthropic’s redesigned Claude Code desktop app and 'Routines' -- here's what enterprises should know",
            "summary_en": "The transition from AI as a chatbot to AI as a workforce is no longer a theoretical projection; it has become the primary design philosophy for the modern developer's toolkit. On April 14, 2026, Anthropic signaled this shift with a dual release: a complete redesign of the Claude Code desktop app (for Mac and Windows) and the launch of \" Routines \" in research preview. These updates suggest that for the modern enterprise, the developer's role is shifting from a solo practitioner to a high-level orchestrator managing multiple, simultaneous streams of work. For years, the industry focused on \"copilots\"—single-threaded assistants that lived within the IDE and responded to the immediate line of code being written. Anthropic’s latest update acknowledges that the shape of \"agentic work\"",
            "body_en": "The transition from AI as a chatbot to AI as a workforce is no longer a theoretical projection; it has become the primary design philosophy for the modern developer's toolkit. On April 14, 2026, Anthropic signaled this shift with a dual release: a complete redesign of the Claude Code desktop app (for Mac and Windows) and the launch of \" Routines \" in research preview. These updates suggest that for the modern enterprise, the developer's role is shifting from a solo practitioner to a high-level orchestrator managing multiple, simultaneous streams of work. For years, the industry focused on \"copilots\"—single-threaded assistants that lived within the IDE and responded to the immediate line of code being written. Anthropic’s latest update acknowledges that the shape of \"agentic work\" has fundamentally changed. Developers are no longer just typing prompts and waiting for answers; they are initiating refactors in one repository, fixing bugs in another, and writing tests in a third, all while monitoring the progress of these disparate tasks. The redesigned desktop application reflects this change through its central \"Mission Control\" feature: the new sidebar. This interface element allows a developer to manage every active and recent session in a single view, filtering by status, project, or environment. It effectively turns the developer’s desktop into a command center where they can steer agents as they drift or review diffs before shipping. This represents a philosophical move away from \"conversation\" toward \"orchestration\". Routines: your new 'set and forget' option for repeating processes and tasks The introduction of \"Routines\" represents a significant architectural evolution for Claude Code. Previously, automation was often tied to the user's local hardware or manually managed infrastructure. Routines move this execution to Anthropic’s web infrastructure, decoupling progress from the user's local machine. This means a critical task—such as a nightly triage of bugs from a Linear backlog—can run at 2:00 AM without the developer's laptop being open. These Routines are segmented into three distinct categories designed for enterprise integration: Scheduled Routines : These function like a sophisticated cron job, performing repeatable maintenance like docs-drift scanning or backlog management on a cadence. API Routines : These provide dedicated endpoints and auth tokens, allowing enterprises to trigger Claude via HTTP requests from alerting tools like Datadog or CI\/CD pipelines. Webhook Routines : Currently focused on GitHub, these allow Claude to listen for repository events and automatically open sessions to address PR comments or CI failures. For enterprise teams, these Routines come with structured daily limits: Pro users are capped at 5, Max at 15, and Team\/Enterprise tiers at 25 routines per day, though additional usage can be purchased. Analysis: desktop GUI vs. Terminal The pivot toward a dedicated Desktop GUI for a tool that originated in the terminal (CLI) invites an analysis of the trade-offs for enterprise users. The primary benefit of the new desktop app is high-concurrency visibility. In a terminal environment, managing four different AI agents working on four different repositories is a cognitive burden, requiring multiple tabs and constant context switching. The desktop app’s drag-and-drop layout allows the terminal, preview pane, diff viewer, and chat to be arranged in a grid that matches the user's specific workflow. Furthermore, the \"Side Chat\" feature (accessible via ⌘ + ; ) solves a common problem in agentic work: the need to ask a clarifying question without polluting the main task's history. This ensures that the agent's primary mission remains focused while the human operator gets the context they need. However, it is also available in the Terminal view via the \/btw command. Despite the GUI's benefits, the CLI remains the home of many developers. The terminal is lightweight and fits into existing shell-based automation. Recognizing this, Anthropic has maintained parity: CLI plugins are supposed to work exactly the same in the desktop app as they do in the terminal. Yet in my testing, I was unable to get some of my third-party plugins to show up in the terminal or main view. For pure speed and users who operate primarily within a single repository, the CLI avoids the resource overhead of a full GUI. How to use the new Claude Code desktop app view In practice, accessing the redesigned Claude Code desktop app requires a bit of digital hunting. It's not a separate new application — instead, it is but one of three main views in the official Claude desktop app, accessible only by hovering over the \"Chat\" icon in the top-left corner to reveal the specific coding interfaces. Once inside, the transition from a standard chat window to the \"Claude Code\" view is stark. The interface is dominated by a central conversational thread flanked by a session-management sidebar that allows for quick navigation between active and archived projects. The addition of a new, subtle, hover-over circular indicator at the bottom showing how much context the user has used in their current session and weekly plan limits is nice, but again, a departure from third-party CLI plugins that can show this constantly to the user without having to take the extra step of hovering over. Similarly, pop up icons for permissions and a small orange asterisk showing the time Claude Code has spent on responding to each prompt (working) and tokens consumed right in the stream is excellent for visibility into costs and activity. While the visual clarity is high—bolstered by interactive charts and clickable inline links—the discoverability of parallel agent orchestration remains a hurdle. Despite the promise of \"many things in flight,\" attempting to run tests across multiple disparate project folders proved difficult, as the current iteration tends to lock the user into a single project focus at a time. Unlike the Terminal CLI version of Claude Code, which defaults to asking the user to start their session in their user folder on Mac OS, the Claude Code desktop app asks for access to specific subfolder -- which can be helpful if you have already started a project, but not necessarily for starting work on a new one or multiple in parallel. The most effective addition for the \"vibe coding\" workflow is the integrated preview pane, located in the upper-right corner. For developers who previously relied on the terminal-only version of Claude Code, this feature eliminates the need to maintain separate browser windows or rely on third-party extensions to view live changes to web applications. However, the desktop experience is not without friction. The integrated terminal, intended to allow for side-by-side builds and testing, suffered from notable latency, often failing to update in real-time with user input. For users accustomed to the near-instantaneous response of a native terminal, this lag can make the GUI feel like an \"overkill\" layer that complicates rather than streamlines the dev cycle. Setting up the new Routines feature also followed a steep learning curve. The interface does not immediately surface how to initiate these background automations; discovery required asking Claude directly and referencing the internal documentation to find the \/schedule command. Once identified, however, the process was remarkably efficient. By using the CLI command and configuring connectors in the browser, a routine can be operational in under two minutes, running autonomously on Anthropic’s web infrastructure without requiring the desktop app to remain active. The ultimate trade-off for the enterprise user is one of flexibility (standard Terminal\/CLI view) versus integrated convenience (new Claude Code desktop app). The desktop app provides a high-context \"Plan\" view and a readable narrative of the agent’s logic, which is undeniably helpful for complex, multi-step refactors. Yet, the platform creates a distinct \"walled garden\" effect. While the terminal version of Claude Code offers a broader range of movement, the desktop app is strictly optimized for Anthropic’s models. For the professional coder who frequently switches between Claude and other AI models to work around rate limits or seek different architectural perspectives, this model-lock may be a dealbreaker. For these power users, the traditional terminal interface remains the superior surface for maintaining a diverse and resilient AI stack. The enterprise verdict For the enterprise, the Desktop GUI is likely to become the standard for management and review, while the CLI remains the tool for execution. The desktop app's inclusion of an in-app file editor and a faster diff viewer—rebuilt for performance on large changesets—makes it a superior environment for the \"Review and Ship\" phase of development. It allows a lead developer to review an agent's work, make spot edits, and approve a PR without ever leaving the application. Philosophical implications for the future of AI-driven enterprise knowledge work Anthropic developer Felix Rieseberg noted on X that this version was \"redesigned from the ground up for parallel work,\" emphasizing that it has become his primary way to interact with the system. This shift suggests a future where \"coding\" is less about syntax and more about managing the lifecycle of AI sessions. The enterprise user now occupies the \"orchestrator seat,\" managing a fleet of agents that can triage alerts, verify deploys, and resolve feedback automatically. By providing the infrastructure to run these tasks in the cloud and the interface to monitor them on the desktop, Anthropic is defining a new standard for professional AI-assisted engineering.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/12umYKPQZfmAPEPq0WLKHq\/76ddb1d31eb7449fb28d6ec34913b450\/Gemini_Generated_Image_seqly9seqly9seql__1_.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/we-tested-anthropics-redesigned-claude-code-desktop-app-and-routines-heres-what-enterprises-should-know",
            "date": "2026-04-15",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "لقد اختبرنا تطبيق سطح المكتب Claude Code المعاد تصميمه من Anthropic و\"Rutines\" - إليك ما يجب أن تعرفه المؤسسات",
            "summary_ar": "لم يعد الانتقال من الذكاء الاصطناعي كروبوت محادثة إلى الذكاء الاصطناعي كقوة عاملة مجرد إسقاط نظري؛ لقد أصبحت فلسفة التصميم الأساسية لمجموعة أدوات المطور الحديثة. في 14 أبريل 2026، أشارت Anthropic إلى هذا التحول بإصدار مزدوج: إعادة تصميم كاملة لتطبيق Claude Code لسطح المكتب (لنظامي التشغيل Mac وWindows) وإطلاق \"Routines\" في معاينة البحث. تشير هذه التحديثات إلى أنه بالنسبة للمؤسسات الحديثة، فإن دور المطور يتحول من ممارس منفرد إلى منسق رفيع المستوى يدير تدفقات عمل متعددة ومتزامنة. لسنوات، ركزت الصناعة على \"مساعدي الطيارين\" - المساعدين المفردين الذين يعيشون داخل IDE ويستجيبون للسطر الفوري من التعليمات البرمجية التي تتم كتابتها. يقر آخر تحديث لـ Anthropic بأن شكل \"agent عمل\"",
            "body_ar": "لم يعد الانتقال من الذكاء الاصطناعي كروبوت محادثة إلى الذكاء الاصطناعي كقوة عاملة مجرد إسقاط نظري؛ لقد أصبحت فلسفة التصميم الأساسية لمجموعة أدوات المطور الحديثة. في 14 أبريل 2026، أشارت Anthropic إلى هذا التحول بإصدار مزدوج: إعادة تصميم كاملة لتطبيق Claude Code لسطح المكتب (لنظامي التشغيل Mac وWindows) وإطلاق \"Routines\" في معاينة البحث. تشير هذه التحديثات إلى أنه بالنسبة للمؤسسات الحديثة، فإن دور المطور يتحول من ممارس منفرد إلى منسق رفيع المستوى يدير تدفقات عمل متعددة ومتزامنة. لسنوات، ركزت الصناعة على \"مساعدي الطيارين\" - المساعدين المفردين الذين يعيشون داخل IDE ويستجيبون للسطر الفوري من التعليمات البرمجية التي تتم كتابتها. يعترف آخر تحديث لـ Anthropic بأن شكل \"العمل الوكيل\" قد تغير بشكل جذري. لم يعد المطورون يقومون فقط بكتابة المطالبات وانتظار الإجابات؛ إنهم يبدأون عمليات إعادة البناء في أحد المستودعات، ويصلحون الأخطاء في مستودع آخر، ويكتبون الاختبارات في مستودع ثالث، كل ذلك أثناء مراقبة التقدم المحرز في هذه المهام المتباينة. يعكس تطبيق سطح المكتب المعاد تصميمه هذا التغيير من خلال ميزة \"التحكم في المهمة\" المركزية: الشريط الجانبي الجديد. يسمح عنصر الواجهة هذا للمطور بإدارة كل جلسة نشطة وحديثة في عرض واحد، والتصفية حسب الحالة أو المشروع أو البيئة إنه يحول بشكل فعال سطح مكتب المطور إلى مركز قيادة حيث يمكنهم توجيه الوكلاء أثناء انجرافهم أو مراجعة الاختلافات قبل الشحن. يمثل هذا تحركًا فلسفيًا بعيدًا عن \"المحادثة\" نحو \"التنسيق\". الإجراءات الروتينية: خيار \"الضبط والنسيان\" الجديد الخاص بك لتكرار العمليات والمهام يمثل تقديم \"الأعمال الروتينية\" تطورًا معماريًا مهمًا لكلود كود. في السابق، كانت الأتمتة مرتبطة غالبًا بالأجهزة المحلية للمستخدم أو البنية التحتية المُدارة يدويًا. تنقل الإجراءات الروتينية هذا التنفيذ إلى البنية التحتية للويب الخاصة بـ Anthropic، مما يؤدي إلى فصل التقدم عن الجهاز المحلي للمستخدم. وهذا يعني أن المهمة الحاسمة - مثل الفرز الليلي للأخطاء من التراكم الخطي - يمكن تشغيلها في الساعة 2:00 صباحًا دون أن يكون الكمبيوتر المحمول الخاص بالمطور مفتوحًا. يتم تقسيم هذه الإجراءات الروتينية إلى ثلاث فئات متميزة مصممة للتكامل المؤسسي: الإجراءات الروتينية المجدولة: تعمل هذه مثل مهمة cron المتطورة، حيث تؤدي صيانة متكررة مثل مسح المستندات المتدفقة أو إدارة الأعمال المتراكمة على إيقاع. إجراءات واجهة برمجة التطبيقات (API Routines): توفر نقاط نهاية مخصصة ورموز مصادقة مميزة، مما يسمح للمؤسسات بتشغيل Claude عبر طلبات HTTP من أدوات التنبيه مثل خطوط أنابيب Datadog أو CI\/CD. إجراءات Webhook: التي تركز حاليًا على GitHub، تسمح لـ Claude بالاستماع إلى أحداث المستودع وفتح الجلسات تلقائيًا لمعالجة تعليقات العلاقات العامة أو فشل CI. بالنسبة لفرق المؤسسات، تأتي هذه الإجراءات الروتينية مع حدود يومية منظمة: يبلغ الحد الأقصى للمستخدمين المحترفين 5، والحد الأقصى 15، وطبقات الفريق\/المؤسسة عند 25 إجراءً يوميًا، على الرغم من إمكانية شراء استخدام إضافي. التحليل: واجهة المستخدم الرسومية لسطح المكتب مقابل واجهة المستخدم الرسومية المحطة الطرفية إن التحول نحو واجهة المستخدم الرسومية المخصصة لسطح المكتب للأداة التي نشأت في المحطة الطرفية (CLI) يدعو إلى تحليل المقايضات لمستخدمي المؤسسات. الميزة الأساسية لتطبيق سطح المكتب الجديد هي الرؤية عالية التزامن. في بيئة طرفية، تعد إدارة أربعة عوامل مختلفة للذكاء الاصطناعي تعمل على أربعة مستودعات مختلفة عبئًا معرفيًا، وتتطلب علامات تبويب متعددة وتبديلًا مستمرًا للسياق. يسمح تخطيط السحب والإفلات لتطبيق سطح المكتب بترتيب الوحدة الطرفية وجزء المعاينة وعارض الفرق والدردشة في شبكة تتوافق مع سير العمل المحدد للمستخدم. علاوة على ذلك، فإن ميزة \"الدردشة الجانبية\" (التي يمكن الوصول إليها عبر ⌘ + ; ) تحل مشكلة شائعة في العمل الوكيل: الحاجة إلى طرح سؤال توضيحي دون تلويث تاريخ المهمة الرئيسية. وهذا يضمن أن تظل المهمة الأساسية للوكيل مركزة بينما يحصل المشغل البشري على السياق الذي يحتاجه. ومع ذلك، فهو متاح أيضًا في العرض الطرفي عبر الأمر \/btw. على الرغم من فوائد واجهة المستخدم الرسومية، تظل واجهة سطر الأوامر (CLI) موطنًا للعديد من المطورين. تتميز المحطة بخفة الوزن وتتناسب مع الأتمتة القائمة على الغلاف. وإدراكًا لذلك، حافظت Anthropic على التكافؤ: من المفترض أن تعمل مكونات CLI الإضافية بنفس الطريقة تمامًا في تطبيق سطح المكتب كما تعمل في الوحدة الطرفية. ومع ذلك، في الاختبار الذي أجريته، لم أتمكن من ظهور بعض المكونات الإضافية التابعة لجهات خارجية في الواجهة الطرفية أو العرض الرئيسي. بالنسبة للسرعة الخالصة والمستخدمين الذين يعملون بشكل أساسي ضمن مستودع واحد، تتجنب واجهة سطر الأوامر (CLI) الحمل الزائد للمورد لواجهة المستخدم الرسومية الكاملة. كيفية استخدام عرض تطبيق سطح المكتب Claude Code الجديد من الناحية العملية، يتطلب الوصول إلى تطبيق سطح المكتب Claude Code المعاد تصميمه القليل من البحث الرقمي. إنه ليس تطبيقًا جديدًا منفصلاً - بل هو مجرد واحد من ثلاث طرق عرض رئيسية في تطبيق Claude الرسمي لسطح المكتب، ولا يمكن الوصول إليه إلا عن طريق التمرير فوق أيقونة \"الدردشة\" في الزاوية العلوية اليسرى للكشف عن واجهات البرمجة المحددة. بمجرد الدخول، يكون الانتقال من نافذة الدردشة القياسية إلى عرض \"Claude Code\" صارخًا. يهيمن على الواجهة سلسلة محادثة مركزية محاطة بشريط جانبي لإدارة الجلسة يسمح بالتنقل السريع بين المشاريع النشطة والمؤرشفة تعد إضافة مؤشر دائري جديد دقيق في الجزء السفلي يوضح مقدار السياق الذي استخدمه المستخدم في جلسته الحالية وحدود الخطة الأسبوعية أمرًا رائعًا، ولكن مرة أخرى، يعد الخروج عن مكونات CLI الإضافية التابعة لجهات خارجية والتي يمكنها إظهار ذلك باستمرار للمستخدم دون الحاجة إلى اتخاذ الخطوة الإضافية المتمثلة في التمرير فوق. وبالمثل، فإن الرموز المنبثقة للأذونات وعلامة النجمة البرتقالية الصغيرة التي توضح الوقت الذي قضاه Claude Code في الاستجابة لكل مطالبة (قيد العمل) والرموز المميزة التي يتم استهلاكها مباشرة في التدفق، تعد وسيلة ممتازة لرؤية التكاليف والنشاط. على الرغم من أن الوضوح البصري مرتفع - مدعومًا بالمخططات التفاعلية والروابط المضمنة القابلة للنقر - إلا أن إمكانية اكتشاف تنسيق الوكيل الموازي تظل عقبة. على الرغم من الوعد بـ \"العديد من الأشياء أثناء الطيران\"، فقد ثبت أن محاولة إجراء الاختبارات عبر مجلدات مشروع متباينة متعددة أمر صعب، حيث يميل التكرار الحالي إلى حبس المستخدم في تركيز مشروع واحد في كل مرة. على عكس إصدار Terminal CLI من Claude Code، والذي يطلب افتراضيًا من المستخدم بدء جلسته في مجلد المستخدم الخاص به على نظام التشغيل Mac OS، يطلب تطبيق Claude Code لسطح المكتب الوصول إلى مجلد فرعي محدد - وهو ما يمكن أن يكون مفيدًا إذا كنت قد بدأت بالفعل مشروعًا، ولكن ليس بالضرورة لبدء العمل على مجلد جديد أو عدة مجلدات بالتوازي. الإضافة الأكثر فعالية لسير عمل \"vibe coding\" هي جزء المعاينة المتكامل، الموجود في الزاوية العلوية اليمنى. بالنسبة للمطورين الذين اعتمدوا سابقًا على الإصدار الطرفي فقط من Claude Code، تلغي هذه الميزة الحاجة إلى الاحتفاظ بنوافذ متصفح منفصلة أو الاعتماد على ملحقات الطرف الثالث لعرض التغييرات المباشرة على تطبيقات الويب. ومع ذلك، فإن تجربة سطح المكتب لا تخلو من الاحتكاك. عانت المحطة المتكاملة، التي تهدف إلى السماح بالبناء والاختبار جنبًا إلى جنب، من زمن الوصول الملحوظ، وغالبًا ما فشلت في التحديث في الوقت الفعلي من خلال إدخال المستخدم. بالنسبة للمستخدمين المعتادين على الاستجابة شبه اللحظية للمحطة الأصلية، فإن هذا التأخر يمكن أن يجعل واجهة المستخدم الرسومية تبدو وكأنها طبقة \"مبالغة\" تعمل على تعقيد دورة التطوير بدلاً من تبسيطها. كما اتبع إعداد ميزة الإجراءات الروتينية الجديدة منحنى تعليمي حاد. لا تظهر الواجهة على الفور كيفية بدء عمليات التشغيل الآلي للخلفية هذه؛ يتطلب الاكتشاف سؤال كلود مباشرة والرجوع إلى الوثائق الداخلية للعثور على الأمر \/schedule. ومع ذلك، بمجرد تحديدها، كانت العملية فعالة بشكل ملحوظ. باستخدام أمر CLI وتكوين الموصلات في المتصفح، يمكن تشغيل الروتين في أقل من دقيقتين، وتشغيله بشكل مستقل على البنية التحتية للويب الخاصة بـ Anthropic دون الحاجة إلى أن يظل تطبيق سطح المكتب نشطًا. تتمثل المقايضة النهائية لمستخدم المؤسسة في المرونة (عرض Terminal\/CLI القياسي) مقابل الراحة المتكاملة (تطبيق Claude Code الجديد لسطح المكتب). يوفر تطبيق سطح المكتب عرض \"الخطة\" عالي السياق وسردًا سهل القراءة لمنطق الوكيل، وهو أمر مفيد بلا شك لعمليات إعادة البناء المعقدة والمتعددة الخطوات. ومع ذلك، فإن المنصة تخلق تأثيرًا مميزًا \"للحديقة المسورة\". في حين أن الإصدار النهائي من Claude Code يوفر نطاقًا أوسع من الحركة، فقد تم تحسين تطبيق سطح المكتب بشكل صارم لنماذج Anthropic. بالنسبة للمبرمج المحترف الذي يقوم بشكل متكرر بالتبديل بين Claude ونماذج الذكاء الاصطناعي الأخرى للتغلب على حدود المعدل أو البحث عن وجهات نظر معمارية مختلفة، قد يكون قفل النموذج هذا بمثابة كسر للصفقة. بالنسبة لهؤلاء المستخدمين المتميزين، تظل الواجهة الطرفية التقليدية هي السطح الأفضل للحفاظ على مجموعة متنوعة ومرنة من الذكاء الاصطناعي. حكم المؤسسة بالنسبة للمؤسسات، من المرجح أن تصبح واجهة المستخدم الرسومية لسطح المكتب هي المعيار للإدارة والمراجعة، بينما تظل واجهة سطر الأوامر هي أداة التنفيذ. إن تضمين تطبيق سطح المكتب لمحرر ملفات داخل التطبيق وعارض فرق أسرع - تم إعادة تصميمه لتحقيق الأداء على مجموعات التغييرات الكبيرة - يجعله بيئة رائعة لمرحلة \"المراجعة والشحن\" من التطوير. فهو يسمح للمطور الرئيسي بمراجعة عمل الوكيل وإجراء تعديلات فورية والموافقة على العلاقات العامة دون مغادرة التطبيق على الإطلاق. الآثار الفلسفية لمستقبل العمل المعرفي المؤسسي القائم على الذكاء الاصطناعي أشار المطور الإنساني فيليكس ريسبيرج في X إلى أن هذا الإصدار \"أعيد تصميمه من الألف إلى الياء للعمل الموازي\"، مؤكدًا أنه أصبح طريقته الأساسية للتفاعل مع النظام. يشير هذا التحول إلى مستقبل حيث لا يتعلق \"البرمجة\" ببناء الجملة بقدر ما يتعلق بإدارة دورة حياة جلسات الذكاء الاصطناعي. يحتل مستخدم المؤسسة الآن \"مقعد المنسق\"، حيث يدير أسطولًا من الوكلاء الذين يمكنهم فرز التنبيهات والتحقق من عمليات النشر وحل الملاحظات تلقائيًا. من خلال توفير البنية التحتية لتشغيل هذه المهام في السحابة والواجهة لمراقبتها على سطح المكتب، تحدد Anthropic معيارًا جديدًا للمحترفين بمساعدة الذكاء الاصطناعي هندسة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/ais-next-bottleneck-isnt-the-models-its-whether-agents-can-think-together",
            "title_en": "AI's next bottleneck isn't the models — it's whether agents can think together",
            "summary_en": "AI agents can connect together, but they cannot think together. That’s a huge difference and a bottleneck for next-gen systems, says Outshift by Cisco’s SVP and GM Vijoy Pandey. As he describes the current state of AI: Agents can be stitched together in a workflow or plug into a supervisor model — but there's no semantic alignment, no shared context. They’re essentially working from scratch each go-around. This calls for next-level infrastructure, or what Pandey describes as the \"internet of cognition.\" “Agents are not able to think together because connection is not cognition,” he said. “We need to get to a point where you are sharing cognition. That is the greater unlock.” Creating new protocols to support next-gen agent communication So what is shared cognition? It’s when AI agents",
            "body_en": "AI agents can connect together, but they cannot think together. That’s a huge difference and a bottleneck for next-gen systems, says Outshift by Cisco’s SVP and GM Vijoy Pandey. As he describes the current state of AI: Agents can be stitched together in a workflow or plug into a supervisor model — but there's no semantic alignment, no shared context. They’re essentially working from scratch each go-around. This calls for next-level infrastructure, or what Pandey describes as the \"internet of cognition.\" “Agents are not able to think together because connection is not cognition,” he said. “We need to get to a point where you are sharing cognition. That is the greater unlock.” Creating new protocols to support next-gen agent communication So what is shared cognition? It’s when AI agents or entities can meaningfully work together to solve for something net new that they weren’t trained for, and do it “100% without human intervention,” Pandey said on the latest episode of Beyond the Pilot . The Cisco exec analogizes it to human intelligence. Humans evolved over hundreds of thousands of years, first becoming intelligent individually, then communicating on a basic level (with gestures or drawings). That communication improved over time, eventually unlocking a ‘cognitive revolution’ and collective intelligence that allowed for shared intent and the ability to coordinate, negotiate, and ground and discover information. “Shared intent, shared context, collective innovation: That's the exact trajectory that's playing out in silicon today,” Pandey said. His team sees it as a “horizontal distributed assistance problem.” They are pursuing “distributed super intelligence” by codifying intent, context, and collective innovation as a set of rules, APIs, and capabilities within the infrastructure itself. Their approach is a set of new protocols: Semantic State Transfer Protocol (SSTP); Latent Space Transfer Protocol (LSTP); and Compressed State Transfer Protocol (CSTP). SSTP operates at the language level, analyzing semantic communication so systems can infer the right tool or task. Pandey's team recently collaborated with MIT on a related piece called the Ripple Effect Protocol. LSTP can be used to transfer the “entire latent space” of one agent to another, Pandey explained. “Can we just take the KV cache and send it over as an example?” he said. “Because that would be the most efficient way: instead of going through the tax of tokenizing it, going to a natural language, then going back the stack on the other side.” CSTP handles compression — grounding only the targeted variants while compressing everything else. Pandey says it's particularly well-suited for edge deployments where you need to send large amounts of state accurately. Ultimately, Pandey’s team is building a fabric to scale out intelligence and ensure that cognition states are synchronized across endpoints. Further, they are developing what they call “cognition engines” that provide guardrails and accelerate systems. “Protocols, fabric, cognition engines: These are the three layers that we are building out in the pursuit of distributed super intelligence,” Pandey said. How Cisco solved a big pain point Stepping back from these advanced, next-level systems, Cisco has achieved tangible results with existing AI capabilities. Pandey described a specific pain point with the company’s site reliability engineering (SRE) team. While they were churning out more and more products and code, the team itself wasn’t growing, and were feeling pressure to improve efficiency. Pandey introduced AI agents that automated more than a dozen end-to-end workflows, including continuous integration\/continuous delivery CI\/CD pipelines, EC2 instance spin-ups and Kubernetes cluster deployments. Now, more than 20 agents — some built in-house, some third-party — have access to 100-plus tools via frameworks like Model Context Protocol (MCP), while also plugging into Cisco’s security platforms. The result: A decrease from “hours and hours to seconds” with certain deployments; further, agents have reduced 80% of the issues the SRE team were seeing within Kubernetes workflows. Still, as Pandey noted, AI is a tool like any other. “It does not mean that I have a new hammer and I'm just gonna go around looking for nails,” he said. “You still have deterministic code. You need to marry these two worlds to get the best outcome for the problem that you're solving.” Listen to the podcast to hear more about: How we are now enabling a new paradigm of non-deterministic computing. How Cisco bumped error detection capabilities in large networks from 10% to 100%. How Pandey named his own AI agent Arnold Layne after an early Pink Floyd song. Why the \"internet of cognition\" must be an open, interoperable effort. How Cisco’s open source project Agntcy addresses discovery, identity and access management (IAM), observability, and evaluation. You can also listen and subscribe to Beyond the Pilot on Spotify , Apple or wherever you get your podcasts.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6ntaAo6oE6qONi59zeEtFJ\/d3cb58446da47a6c4578b015ed6965ca\/Agent_in_thought.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/ais-next-bottleneck-isnt-the-models-its-whether-agents-can-think-together",
            "date": "2026-04-15",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "إن عنق الزجاجة التالي الذي يواجهه الذكاء الاصطناعي ليس النماذج، بل ما إذا كان بإمكان العملاء التفكير معًا",
            "summary_ar": "يمكن لعملاء الذكاء الاصطناعي التواصل معًا، لكنهم لا يستطيعون التفكير معًا. يقول Outshift من نائب الرئيس الأول والمدير العام لشركة Cisco Vijoy Pandey، إن هذا فرق كبير ويمثل عنق الزجاجة بالنسبة لأنظمة الجيل التالي. كما يصف الوضع الحالي للذكاء الاصطناعي: يمكن دمج الوكلاء معًا في سير عمل أو توصيلهم بنموذج المشرف - ولكن لا يوجد محاذاة دلالية، ولا سياق مشترك. إنهم يعملون بشكل أساسي من الصفر في كل جولة. وهذا يتطلب بنية تحتية من المستوى التالي، أو ما يصفه باندي بـ\"إنترنت الإدراك\". وقال: \"الوكلاء غير قادرين على التفكير معًا لأن الاتصال ليس إدراكًا\". \"نحن بحاجة إلى الوصول إلى نقطة حيث يمكنك مشاركة الإدراك. وهذا هو الفتح الأعظم.\" إنشاء بروتوكولات جديدة لدعم اتصالات الجيل التالي من الوكلاء إذن ما هو الإدراك المشترك؟ إنه عندما يكون الذكاء الاصطناعي وكلاء",
            "body_ar": "يمكن لعملاء الذكاء الاصطناعي التواصل معًا، لكنهم لا يستطيعون التفكير معًا. يقول Outshift من نائب الرئيس الأول والمدير العام لشركة Cisco Vijoy Pandey، إن هذا فرق كبير ويمثل عنق الزجاجة بالنسبة لأنظمة الجيل التالي. كما يصف الوضع الحالي للذكاء الاصطناعي: يمكن دمج الوكلاء معًا في سير عمل أو توصيلهم بنموذج المشرف - ولكن لا يوجد محاذاة دلالية، ولا سياق مشترك. إنهم يعملون بشكل أساسي من الصفر في كل جولة. وهذا يتطلب بنية تحتية من المستوى التالي، أو ما يصفه باندي بـ\"إنترنت الإدراك\". وقال: \"الوكلاء غير قادرين على التفكير معًا لأن الاتصال ليس إدراكًا\". \"نحن بحاجة إلى الوصول إلى نقطة حيث يمكنك مشاركة الإدراك. وهذا هو الفتح الأعظم.\" إنشاء بروتوكولات جديدة لدعم اتصالات الجيل التالي من الوكلاء إذن ما هو الإدراك المشترك؟ قال باندي في أحدث حلقة من برنامج Beyond the Pilot، إنه يحدث عندما يتمكن عملاء أو كيانات الذكاء الاصطناعي من العمل معًا بشكل هادف لحل مشكلة جديدة لم يتم تدريبهم عليها، والقيام بذلك \"بنسبة 100% دون تدخل بشري\". يقوم المدير التنفيذي لشركة Cisco بتشبيهه بالذكاء البشري. لقد تطور البشر على مدى مئات الآلاف من السنين، حيث أصبحوا في البداية أذكياء على المستوى الفردي، ثم تواصلوا على المستوى الأساسي (من خلال الإيماءات أو الرسومات). وتحسن هذا التواصل مع مرور الوقت، مما أدى في نهاية المطاف إلى إطلاق \"الثورة المعرفية\" والذكاء الجماعي الذي سمح بالنية المشتركة والقدرة على التنسيق والتفاوض والتوصل إلى المعلومات واكتشافها. وقال باندي: \"النية المشتركة والسياق المشترك والابتكار الجماعي: هذا هو المسار الدقيق الذي يحدث في السيليكون اليوم\". ويرى فريقه أنها \"مشكلة مساعدة موزعة أفقيًا\". إنهم يسعون إلى \"الذكاء الفائق الموزع\" من خلال تدوين النية والسياق والابتكار الجماعي كمجموعة من القواعد وواجهات برمجة التطبيقات والقدرات داخل البنية التحتية نفسها. نهجهم هو مجموعة من البروتوكولات الجديدة: بروتوكول نقل الحالة الدلالية (SSTP)؛ بروتوكول نقل الفضاء الكامن (LSTP)؛ وبروتوكول نقل الحالة المضغوط (CSTP). يعمل SSTP على مستوى اللغة، حيث يقوم بتحليل الاتصال الدلالي حتى تتمكن الأنظمة من استنتاج الأداة أو المهمة الصحيحة. تعاون فريق باندي مؤخرًا مع معهد ماساتشوستس للتكنولوجيا (MIT) في قطعة ذات صلة تسمى بروتوكول تأثير الريبل (Ripple Effect Protocol). وأوضح باندي أنه يمكن استخدام LSTP لنقل \"المساحة الكامنة بأكملها\" من وكيل إلى آخر. \"هل يمكننا أن نأخذ ذاكرة التخزين المؤقت KV ونرسلها كمثال؟\" قال. \"لأن هذه ستكون الطريقة الأكثر فعالية: فبدلاً من تحمل ضريبة تحويلها إلى رموز مميزة، انتقل إلى لغة طبيعية، ثم رجع المكدس على الجانب الآخر.\" يتعامل CSTP مع الضغط، حيث يقوم بتأريض المتغيرات المستهدفة فقط بينما يضغط كل شيء آخر. يقول Pandey إنه مناسب بشكل خاص لعمليات نشر الحافة حيث تحتاج إلى إرسال كميات كبيرة من الحالة بدقة. في نهاية المطاف، يقوم فريق باندي ببناء نسيج لتوسيع نطاق الذكاء وضمان مزامنة الحالات الإدراكية عبر نقاط النهاية. علاوة على ذلك، يقومون بتطوير ما يسمونه \"محركات الإدراك\" التي توفر حواجز الحماية وتسريع الأنظمة. قال باندي: \"البروتوكولات، والنسيج، ومحركات الإدراك: هذه هي الطبقات الثلاث التي نبنيها في سعينا لتحقيق الذكاء الفائق الموزع\". كيف قامت Cisco بحل مشكلة كبيرة بالتراجع عن هذه الأنظمة المتقدمة من المستوى التالي، حققت Cisco نتائج ملموسة بفضل إمكانات الذكاء الاصطناعي الحالية. وصف باندي نقطة الألم المحددة مع فريق هندسة موثوقية الموقع (SRE) التابع للشركة. وبينما كانوا ينتجون المزيد والمزيد من المنتجات والأكواد، لم يكن الفريق نفسه ينمو، وكان يشعر بالضغط لتحسين الكفاءة. قدم Pandey وكلاء الذكاء الاصطناعي الذين يقومون بأتمتة أكثر من عشرة مسارات عمل شاملة، بما في ذلك التكامل المستمر\/التسليم المستمر لخطوط أنابيب CI\/CD، وعمليات عرض مثيل EC2 وعمليات نشر مجموعة Kubernetes. الآن، يتمتع أكثر من 20 وكيلًا - بعضهم مدمج داخليًا وبعضهم تابع لجهات خارجية - بإمكانية الوصول إلى أكثر من 100 أداة عبر أطر عمل مثل Model context Protocol (MCP)، مع توصيلها أيضًا بمنصات أمان Cisco. النتيجة: انخفاض من \"الساعات والساعات إلى الثواني\" مع عمليات نشر معينة؛ علاوة على ذلك، نجح الوكلاء في تقليل 80% من المشكلات التي كان فريق SRE يراها في سير عمل Kubernetes. ومع ذلك، كما أشار باندي، فإن الذكاء الاصطناعي هو أداة مثل أي أداة أخرى. وقال: \"هذا لا يعني أن لدي مطرقة جديدة وسأتجول للبحث عن المسامير\". \"لا يزال لديك رمز حتمي. أنت بحاجة إلى الجمع بين هذين العالمين للحصول على أفضل نتيجة للمشكلة التي تحلها. استمع إلى البودكاست لسماع المزيد حول: كيف نقوم الآن بتمكين نموذج جديد للحوسبة غير الحتمية. كيف عززت Cisco قدرات اكتشاف الأخطاء في الشبكات الكبيرة من 10% إلى 100%. كيف قام باندي بتسمية وكيل الذكاء الاصطناعي الخاص به أرنولد لين على اسم أغنية مبكرة لفرقة بينك فلويد. لماذا يجب أن يكون \"إنترنت المعرفة\" جهدًا مفتوحًا وقابلاً للتشغيل البيني كيف يتعامل مشروع Agntcy مفتوح المصدر من Cisco مع الاكتشاف وإدارة الهوية والوصول (IAM) وإمكانية المراقبة والتقييم. يمكنك أيضًا الاستماع إلى أغنية Beyond the Pilot والاشتراك فيها على Spotify أو Apple أو في أي مكان تحصل فيه على اشتراكك البودكاست.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/adobes-new-firefly-ai-assistant-wants-to-run-photoshop-premiere-illustrator-and-more-from-one-prompt",
            "title_en": "Adobe’s new Firefly AI Assistant wants to run Photoshop, Premiere, Illustrator and more from one prompt",
            "summary_en": "Adobe today launched its most ambitious AI offensive to date, unveiling the Firefly AI Assistant — a new agentic creative tool that can orchestrate complex, multi-step workflows across the company's entire Creative Cloud suite from a single conversational interface — alongside a raft of new video, image, and collaboration features designed to position the company at the center of the rapidly evolving AI-powered content creation landscape. The announcements, which also include a new Color Mode for Premiere Pro , the addition of Kling 3.0 video models to Firefly's growing roster of third-party AI engines, and Frame.io Drive — a virtual filesystem that lets distributed teams work with cloud-stored media as though it lived on their local machines — represent Adobe's clearest sig",
            "body_en": "Adobe today launched its most ambitious AI offensive to date, unveiling the Firefly AI Assistant — a new agentic creative tool that can orchestrate complex, multi-step workflows across the company's entire Creative Cloud suite from a single conversational interface — alongside a raft of new video, image, and collaboration features designed to position the company at the center of the rapidly evolving AI-powered content creation landscape. The announcements, which also include a new Color Mode for Premiere Pro , the addition of Kling 3.0 video models to Firefly's growing roster of third-party AI engines, and Frame.io Drive — a virtual filesystem that lets distributed teams work with cloud-stored media as though it lived on their local machines — represent Adobe's clearest signal yet that it views agentic AI not as a feature upgrade but as a fundamental reshaping of how creative work gets done. \"We want creators to tell us the destination and let the Firefly assistant — with its deep understanding of all the Adobe professional tools and generative tools — bring the tools to you right in the conversation,\" Alexandru Costin, Vice President of AI & Innovation at Adobe, told VentureBeat in an exclusive interview ahead of the launch. The stakes could hardly be higher. Adobe is fighting to convince Wall Street, creative professionals, and a wave of well-funded AI-native competitors that its decades-old software empire can not only survive the generative AI revolution but lead it. How Adobe turned a research prototype into a 100-tool creative agent The centerpiece of today's announcement is the Firefly AI Assistant , which Adobe describes as a fundamentally new way to interact with its creative tools. Rather than requiring users to manually navigate between Photoshop , Premiere , Illustrator , Lightroom , Express , and other apps — selecting the right tool for each step of a complex project — the assistant lets creators describe an outcome in natural language. The agent then figures out which tools to invoke, in what order, and executes the workflow. The assistant is the productized version of Project Moonlight , a research prototype Adobe first previewed at its annual MAX conference in the fall of 2025 and subsequently refined through a private beta. \"This is basically [Project] Moonlight,\" Costin confirmed to VentureBeat. \"We started with all the learnings from Moonlight, and we engaged with customers. We looked internally. We evolved that architecture to make it more ambitious.\" Under the hood, Adobe says it has assembled roughly 100 tools and skills that the assistant can call upon, spanning generative image and video creation, precision photo editing, layout adaptation, and even stakeholder review through Frame.io . The system is built around a single conversational interface inside the Firefly web app where users describe what they want and the assistant maintains context across sessions. Pre-built Creative Skills — purpose-built, multi-step workflow templates such as portrait retouching or social media asset generation — can be run from a single prompt and customized to match a creator's own style. The assistant also learns a creator's preferred tools, workflows, and aesthetic choices over time, and understands the content type being worked on — image, video, vector, brand assets — to make context-aware decisions. Crucially, outputs use native Adobe file formats — PSD, AI, PRPROJ — meaning users can take any result into the corresponding flagship app for manual, pixel-level refinement at any point. \"We always imagine this continuum where you can have complete conversational edits and pixel-perfect edits, and you can decide, as a creative, where you want to land,\" Costin said. The Firefly AI Assistant will enter public beta in the coming weeks, though Adobe did not specify an exact date. Why Wall Street is watching Adobe's AI pricing model so closely For a company whose AI monetization story has faced persistent skepticism from investors, the pricing structure of the Firefly AI Assistant will be closely watched. Costin told VentureBeat that, at launch, using the assistant will require an active Adobe subscription that includes the relevant apps — meaning users who want the agent to invoke Photoshop cloud capabilities, for instance, will need an entitlement that includes the Photoshop SKU. Generative actions will consume the user's existing pool of generative credits, consistent with how Firefly credits work across the rest of Adobe's platform. \"To use some of these cloud capabilities from Photoshop and other apps, you need to have a subscription that includes access to the Photoshop SKU,\" Costin explained. \"You'll be consuming your credits when you use generative features.\" He acknowledged, however, that the model could evolve: \"As we better understand the value of this — and the costs of operating the brain, the conversation engine — things might change.\" The question of whether Adobe can convert AI enthusiasm into meaningful revenue growth is anything but theoretical. When Adobe reported its most recent quarterly results in March, it touted 10% year-over-year revenue growth to $6.4 billion and disclosed that annual recurring revenue from AI standalone and add-on products had reached $125 million — a figure CEO Shantanu Narayen projected would double within nine months. Adobe adds Chinese AI video models to Firefly, raising commercial safety questions Alongside the assistant, Adobe is expanding Firefly's roster of third-party AI models to include Kling 3.0 and Kling 3.0 Omni , two video generation models developed by Kuaishou, the Chinese technology company. Kling 3.0 focuses on fast, high-quality production with smart storyboarding and audio-visual sync, while the Omni variant adds professional controls for shot duration, camera angle, and character movement across multi-shot sequences. The additions bring Firefly's model count to more than 30, joining Google's Nano Banana 2 and Veo 3.1 , Runway's Gen-4.5 , Luma AI's Ray3.14 , Black Forest Labs' FLUX.2[pro] , ElevenLabs' Multilingual v2 , and others. When asked whether Adobe had concerns about integrating a model from a Chinese tech company given the current geopolitical climate, Costin was direct: \"We think choice is what we want to offer our customers.\" He explained that Adobe's strategy distinguishes between its own commercially safe, first-party Firefly models — trained on licensed Adobe Stock imagery and public domain content — and third-party partner models, which carry different commercial safety profiles. \"For some use cases, like ideation, non-production use cases, we got requests from customers to support some external models,\" Costin said. \"If I'm in ideation, I might be more flexible with commercial safety. When I go into production, I’d want to have a model that gives you more confidence.\" This raises an important nuance for the agentic era. When the Firefly AI Assistant autonomously selects which model to use for a given task, the commercial safety guarantees may vary depending on which engine it invokes. Costin pointed to Adobe's Content Credentials system — the metadata-and-fingerprinting framework developed through the Content Authenticity Initiative — as the mechanism for maintaining transparency. \"The agentic power — and the fact that the assistant has access to all of those models — means it could decide to use a model that carries different content credentials,\" he acknowledged. \"But with the transparency of content credentials, the user will know how a particular piece of content was created and can decide whether that's commercially safe or not.\" Adobe offers commercial indemnity for its first-party Firefly models but applies different indemnity levels for third-party models — a distinction that enterprise buyers, in particular, will need to carefully evaluate. Inside Adobe's active collaboration with Nvidia on long-running AI agent infrastructure Adobe's agentic ambitions also intersect with its strategic partnership with Nvidia, announced earlier this year at Nvidia’s GTC conference . When asked whether the Firefly AI Assistant's agentic capabilities are built on NVIDIA's agent toolkit and NeMo infrastructure, Costin revealed that the collaboration is active but has not yet made it into a shipping product. \"We're in active discussions — investigating not only Nemotron ,\" Costin said. \"They have this technology called Open Shell and Nemo Claw , which give us the ability to efficiently run long-running agentic workflows in a sandboxed environment.\" He said the technology would become increasingly important as Adobe pushes the assistant to handle longer, more autonomous creative tasks — but cautioned that \"it's not shipping yet. It's being actively explored.\" For Nvidia, which is building an ecosystem of enterprise AI agent platforms with partners like Adobe, Salesforce, and SAP, the partnership could eventually serve as a high-profile proof point for its agent infrastructure stack in the creative vertical. For Adobe, the ability to run complex, long-duration agentic workflows efficiently and securely in sandboxed environments could be the technical foundation that separates the Firefly AI Assistant from lighter-weight chatbot integrations offered by competitors. The partnership also signals Adobe's recognition that the computational demands of agentic AI — where a single user request may trigger dozens of model calls and tool invocations — require infrastructure partnerships that go well beyond what a software company can build alone. Premiere Pro's new color grading mode and the tools Adobe is shipping today Beyond the headline AI assistant announcement, Adobe's broader set of updates reflects a company trying to strengthen its position across every phase of the content creation pipeline. Color Mode in Premiere Pro may be the most significant near-term upgrade for working editors. Entering public beta today, Color Mode is described as a first-of-its-kind color grading experience built specifically for the way editors — rather than dedicated colorists — think and work. Adobe notes that it was developed through an extensive private beta with hundreds of working editors, and that participants reported they \"actually enjoy color grading\" — a sentiment suggesting Adobe may have found a way to democratize one of post-production's most intimidating disciplines. General availability is expected later in 2026. The Firefly Video Editor gains audio upgrades including the Enhance Speech feature migrated from Premiere and Adobe Podcast, direct Adobe Stock integration with access to more than 800 million licensed assets, and simple color adjustment controls with intuitive sliders and one-click looks. On the image editing front, Adobe introduced Precision Flow, which generates a range of semantic variations from a single prompt and lets users browse them via an interactive slider — a novel approach that Costin described as \"the best slider-based control mixed with the best semantic understanding of not only the existing scene, but what the scene could be.\" AI Markup complements this by letting users draw directly on images to specify where and how edits should be applied. After Effects 26.2 adds an AI-powered Object Matte tool that dramatically accelerates rotoscoping and masking — create accurate mattes of moving subjects with a hover and click, refine with a Quick Selection brush, and perfect edges with a Refine Edge tool. Frame.io Drive wants to kill the shipped hard drive and make cloud media feel local Rounding out the announcements, Frame.io Drive addresses one of the most persistent pain points in distributed video production: getting media from point A to point B without losing hours — or days — to downloads, syncing, and shipped hard drives. Frame.io Drive is a desktop application that mounts Frame.io projects to a user's computer so media appears in Finder or Explorer and behaves like local files. The underlying technology, called Frame.io Mounted Storage, streams media on demand as applications request it, while local caching ensures smooth playback. The product builds on streaming technology provided by Suite Studios, and the real-time file access capability is included with every Frame.io account. Adobe emphasized that all content lives solely within Frame.io and is never shared with third parties. The move positions Frame.io not just as a review-and-approval tool at the end of the production pipeline but as the central media layer from the very beginning of a project — from first capture through final delivery. If successful, the strategy could significantly deepen Adobe's lock-in with professional video teams by making Frame.io the single source of truth for distributed productions. Frame.io Drive and Mounted Storage will roll out in phases, with Enterprise customers gaining access starting today and accounts on other plans following shortly. Others can join a waitlist. Adobe's biggest challenge isn't building the AI — it's convincing creators to trust it Taken together, today's announcements paint a picture of a company executing aggressively across multiple fronts — but also one that is navigating a complex moment. Adobe first introduced Firefly in March 2023 as a family of generative AI models focused on image and text effects, with a strong emphasis on commercial safety through training on licensed Adobe Stock content. In the two years since, the company has rapidly expanded into video generation, multi-model access, and now agentic workflows — a trajectory that mirrors the broader industry's shift from standalone AI features to AI-native systems. But the competitive field has grown dramatically. Runway , Pika , and a host of AI-native video generation startups have captured mindshare among creators. Canva has aggressively integrated AI into its design platform. And the emergence of powerful foundation models from OpenAI , Google , and Anthropic — the latter of which Adobe says it will integrate with Firefly AI Assistant capabilities — means the barrier to building creative AI tools has never been lower. Adobe is also navigating these product ambitions against a complex corporate backdrop: the impending departure of CEO Shantanu Narayen , an actively exploited zero-day vulnerability in Acrobat Reader (CVE-2026-34621) that had been used by hackers for months before being patched this week, a U.K. antitrust investigation over cancellation fees, and a recent $75 million lawsuit settlement . Adobe's response, articulated clearly through today's launches, is to lean into what it believes is its deepest moat: the integration of AI into a set of professional-grade, category-leading applications that no startup can replicate overnight. Costin framed the agentic transition as empowering rather than threatening to creative professionals, comparing Creative Skills to a next-generation version of Photoshop Actions — the macro-recording feature that has long allowed power users to automate repetitive tasks. \"We want to help our customers become — from the ones doing all the work — to be creative directors, doing some of the work, but most importantly, guiding the assistant in executing some of those creative visions,\" he said. It is a compelling pitch — and, in its own way, a revealing one. For three decades, Adobe made its fortune by selling the tools that turned creative vision into finished pixels. Now it is asking its customers to let an AI agent handle more of that translation, trusting that the human role will shift from operating the tools to directing the outcome. Whether creators embrace that bargain — and whether Wall Street rewards it — will determine not just Adobe's trajectory but the shape of an entire industry learning to create alongside machines.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/54hgOf2v64G0I5GTThr0l4\/c3f65ee3d8279d04c8296e82710a3985\/nuneybits_Vector_art_of_a_glossy_monitor_displaying_Adobe_suite_c0dc8886-2da1-42d0-9883-277e655ffa8c.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/adobes-new-firefly-ai-assistant-wants-to-run-photoshop-premiere-illustrator-and-more-from-one-prompt",
            "date": "2026-04-15",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يريد Firefly AI Assistant الجديد من Adobe تشغيل Photoshop وPremiere وIllustrator والمزيد من خلال موجه واحد",
            "summary_ar": "أطلقت Adobe اليوم هجومها الأكثر طموحًا للذكاء الاصطناعي حتى الآن، حيث كشفت النقاب عن Firefly AI Assistant - وهي أداة إبداعية جديدة يمكنها تنسيق عمليات سير عمل معقدة ومتعددة الخطوات عبر مجموعة Creative Cloud الكاملة للشركة من واجهة محادثة واحدة - إلى جانب مجموعة كبيرة من ميزات الفيديو والصور والتعاون الجديدة المصممة لوضع الشركة في مركز مشهد إنشاء المحتوى الذي يعمل بالذكاء الاصطناعي سريع التطور. الإعلانات، التي تتضمن أيضًا وضع ألوان جديدًا لـ Premiere Pro، وإضافة نماذج فيديو Kling 3.0 إلى قائمة Firefly المتنامية لمحركات الذكاء الاصطناعي التابعة لجهات خارجية، وFrame.io Drive - نظام ملفات افتراضي يتيح للفرق الموزعة العمل مع الوسائط المخزنة على السحابة كما لو كانت موجودة على أجهزتهم المحلية - تمثل أوضح حلول Adobe سيج",
            "body_ar": "أطلقت Adobe اليوم هجومها الأكثر طموحًا للذكاء الاصطناعي حتى الآن، حيث كشفت النقاب عن Firefly AI Assistant - وهي أداة إبداعية جديدة يمكنها تنسيق عمليات سير عمل معقدة ومتعددة الخطوات عبر مجموعة Creative Cloud الكاملة للشركة من واجهة محادثة واحدة - إلى جانب مجموعة كبيرة من ميزات الفيديو والصور والتعاون الجديدة المصممة لوضع الشركة في مركز مشهد إنشاء المحتوى الذي يعمل بالذكاء الاصطناعي سريع التطور. الإعلانات، التي تتضمن أيضًا وضع ألوان جديدًا لـ Premiere Pro، وإضافة نماذج فيديو Kling 3.0 إلى قائمة Firefly المتنامية لمحركات الذكاء الاصطناعي التابعة لجهات خارجية، وFrame.io Drive - وهو نظام ملفات افتراضي يتيح للفرق الموزعة العمل مع الوسائط المخزنة على السحابة كما لو كانت موجودة على أجهزتهم المحلية - تمثل أوضح إشارة من Adobe حتى الآن إلى أنها تنظر إلى الذكاء الاصطناعي الوكيل ليس كترقية للميزات ولكن كإعادة تشكيل أساسية لكيفية إنجاز العمل الإبداعي. \"نريد من المبدعين أن يخبرونا بالوجهة ويسمحوا لمساعد Firefly - بفهمه العميق لجميع أدوات Adobe الاحترافية والأدوات التوليدية - بإحضار الأدوات إليك مباشرة في المحادثة،\" قال Alexandru Costin، نائب رئيس الذكاء الاصطناعي والابتكار في Adobe، لـ VentureBeat في مقابلة حصرية قبل الإطلاق. ولا يمكن أن تكون المخاطر أعلى. تكافح شركة Adobe لإقناع وول ستريت، والمهنيين المبدعين، وموجة من المنافسين الأصليين في مجال الذكاء الاصطناعي الممولين جيدًا، بأن إمبراطورية البرمجيات التي تمتد لعقود من الزمن لا يمكنها البقاء على قيد الحياة في ثورة الذكاء الاصطناعي التوليدية فحسب، بل يمكنها قيادتها أيضًا. كيف قامت Adobe بتحويل نموذج بحثي أولي إلى وكيل إبداعي مكون من 100 أداة محور إعلان اليوم هو Firefly AI Assistant، والذي تصفه Adobe بأنه طريقة جديدة بشكل أساسي للتفاعل مع أدواتها الإبداعية. بدلاً من مطالبة المستخدمين بالتنقل يدويًا بين Photoshop وPremiere وIllustrator وLightroom وExpress والتطبيقات الأخرى - مع تحديد الأداة المناسبة لكل خطوة من خطوات المشروع المعقد - يتيح المساعد للمبدعين وصف النتيجة باللغة الطبيعية. يقوم الوكيل بعد ذلك بتحديد الأدوات التي سيتم استدعاؤها وبأي ترتيب، ثم يقوم بتنفيذ سير العمل. المساعد هو النسخة المنتجة من Project Moonlight، وهو نموذج بحثي أولي قامت Adobe بمعاينته لأول مرة في مؤتمر MAX السنوي في خريف عام 2025 وتم تحسينه لاحقًا من خلال إصدار تجريبي خاص. \"هذا هو في الأساس [مشروع] ضوء القمر،\" أكد كوستين لـ VentureBeat. \"لقد بدأنا بكل ما تعلمناه من Moonlight، وتعاملنا مع العملاء. ونظرنا داخليًا. لقد طورنا هذه البنية لجعلها أكثر طموحًا.\" تحت الغطاء، تقول Adobe إنها قامت بتجميع ما يقرب من 100 أداة ومهارة يمكن للمساعد الاعتماد عليها، بما في ذلك إنشاء الصور والفيديوهات، والتحرير الدقيق للصور، وتكييف التخطيط، وحتى مراجعة أصحاب المصلحة من خلال Frame.io. تم ​​بناء النظام حول واجهة محادثة واحدة داخل تطبيق الويب Firefly حيث يصف المستخدمون ما يريدون ويحافظ المساعد على السياق عبر الجلسات. يمكن تشغيل المهارات الإبداعية المعدة مسبقًا - قوالب سير العمل متعددة الخطوات والمخصصة لهذا الغرض مثل تنقيح الصورة أو إنشاء أصول الوسائط الاجتماعية - من خلال موجه واحد وتخصيصها لتتناسب مع أسلوب منشئ المحتوى الخاص. يتعلم المساعد أيضًا الأدوات المفضلة لمنشئ المحتوى وسير العمل والاختيارات الجمالية بمرور الوقت، ويفهم نوع المحتوى الذي يتم العمل عليه - الصورة والفيديو والمتجه وأصول العلامة التجارية - لاتخاذ قرارات واعية بالسياق. والأهم من ذلك، أن المخرجات تستخدم تنسيقات ملفات Adobe الأصلية - PSD، وAI، وPRPROJ - مما يعني أنه يمكن للمستخدمين نقل أي نتيجة إلى التطبيق الرئيسي المقابل لإجراء تحسين يدوي على مستوى البكسل في أي وقت. قال كوستين: \"نحن نتخيل دائمًا هذه السلسلة المتواصلة حيث يمكنك الحصول على تعديلات محادثة كاملة وتعديلات مثالية للبيكسل، ويمكنك أن تقرر، كمبدع، المكان الذي تريد الوصول إليه\". سيدخل Firefly AI Assistant إلى الإصدار التجريبي العام في الأسابيع المقبلة، على الرغم من أن Adobe لم تحدد تاريخًا محددًا. لماذا تراقب وول ستريت نموذج تسعير Adobe للذكاء الاصطناعي عن كثب؟ بالنسبة لشركة واجهت قصة تحقيق الدخل من الذكاء الاصطناعي شكوكًا مستمرة من المستثمرين، ستتم مراقبة هيكل تسعير Firefly AI Assistant عن كثب. أخبر كوستين VentureBeat أنه عند الإطلاق، سيتطلب استخدام المساعد اشتراك Adobe نشطًا يتضمن التطبيقات ذات الصلة - مما يعني أن المستخدمين الذين يريدون من الوكيل استدعاء إمكانات Photoshop السحابية، على سبيل المثال، سيحتاجون إلى استحقاق يتضمن Photoshop SKU. سوف تستهلك الإجراءات التوليدية مجموعة الاعتمادات التوليدية الحالية للمستخدم، بما يتوافق مع كيفية عمل أرصدة Firefly عبر بقية النظام الأساسي لـ Adobe. وأوضح كوستين: \"لاستخدام بعض هذه الإمكانات السحابية من Photoshop والتطبيقات الأخرى، يجب أن يكون لديك اشتراك يتضمن الوصول إلى Photoshop SKU\". \"سوف تستهلك الاعتمادات الخاصة بك عند استخدام الميزات التوليدية.\" ومع ذلك، أقر بأن النموذج يمكن أن يتطور: \"مع فهمنا بشكل أفضل لقيمة هذا - وتكاليف تشغيل الدماغ، محرك المحادثة - قد تتغير الأمور\". إن مسألة ما إذا كانت Adobe قادرة على تحويل حماس الذكاء الاصطناعي إلى نمو ذي معنى في الإيرادات ليست سوى مسألة نظرية. عندما أعلنت شركة Adobe عن أحدث نتائجها الفصلية في شهر مارس، روجت لنمو الإيرادات بنسبة 10٪ على أساس سنوي لتصل إلى 6.4 مليار دولار وكشفت أن الإيرادات السنوية المتكررة من منتجات الذكاء الاصطناعي المستقلة والمنتجات الإضافية وصلت إلى 125 مليون دولار - وهو رقم توقع الرئيس التنفيذي شانتانو ناراين أن يتضاعف في غضون تسعة أشهر. تضيف Adobe نماذج فيديو صينية تعمل بالذكاء الاصطناعي إلى Firefly، مما يثير أسئلة تتعلق بالسلامة التجارية. إلى جانب المساعد، تعمل Adobe على توسيع قائمة Firefly لنماذج الذكاء الاصطناعي التابعة لجهات خارجية لتشمل Kling 3.0 وKling 3.0 Omni، وهما نموذجان لتوليد الفيديو طورتهما شركة التكنولوجيا الصينية Kuaishou. يركز Kling 3.0 على الإنتاج السريع وعالي الجودة من خلال القصص المصورة الذكية والمزامنة الصوتية والمرئية، بينما يضيف متغير Omni عناصر تحكم احترافية لمدة اللقطة وزاوية الكاميرا وحركة الشخصية عبر تسلسلات اللقطات المتعددة. تؤدي الإضافات إلى رفع عدد نماذج Firefly إلى أكثر من 30، لتنضم إلى Nano Banana 2 وVeo 3.1 من Google، وRunway's Gen-4.5، وRay3.14 من Luma AI، وFLUX.2[pro] من Black Forest Labs، وElevenLabs' Multilingual v2، وغيرها. عندما سُئل عما إذا كانت لدى شركة Adobe مخاوف بشأن دمج نموذج من شركة تكنولوجيا صينية في ظل المناخ الجيوسياسي الحالي، كان كوستين مباشرًا: \"نعتقد أن الاختيار هو ما نريد أن نقدمه لعملائنا\". وأوضح أن استراتيجية Adobe تميز بين نماذج Firefly الآمنة تجاريًا الخاصة بالطرف الأول - والتي تم تدريبها على صور Adobe Stock المرخصة ومحتوى المجال العام - ونماذج شركاء الطرف الثالث، والتي تحمل ملفات تعريف أمان تجارية مختلفة. وقال كوستين: \"بالنسبة لبعض حالات الاستخدام، مثل التفكير وحالات الاستخدام غير الإنتاجية، تلقينا طلبات من العملاء لدعم بعض النماذج الخارجية\". \"إذا كنت في مرحلة التفكير، فقد أكون أكثر مرونة فيما يتعلق بالسلامة التجارية. وعندما أبدأ في الإنتاج، أرغب في الحصول على نموذج يمنحك المزيد من الثقة.\" وهذا يثير فارقًا بسيطًا مهمًا بالنسبة لعصر الوكلاء. عندما يختار Firefly AI Assistant بشكل مستقل النموذج الذي سيتم استخدامه لمهمة معينة، قد تختلف ضمانات السلامة التجارية اعتمادًا على المحرك الذي يستدعيه. وأشار كوستن إلى نظام بيانات اعتماد المحتوى الخاص بشركة Adobe - وهو إطار عمل البيانات الوصفية والبصمات الذي تم تطويره من خلال مبادرة مصادقة المحتوى - باعتباره آلية للحفاظ على الشفافية. واعترف بأن \"القوة الوكيلة - وحقيقة أن المساعد لديه حق الوصول إلى كل هذه النماذج - تعني أنه يمكن أن يقرر استخدام نموذج يحمل بيانات اعتماد محتوى مختلفة\". \"ولكن مع شفافية بيانات اعتماد المحتوى، سيعرف المستخدم كيف تم إنشاء جزء معين من المحتوى ويمكنه أن يقرر ما إذا كان ذلك آمنًا تجاريًا أم لا.\" تقدم Adobe تعويضًا تجاريًا لنماذج Firefly الخاصة بالطرف الأول ولكنها تطبق مستويات تعويض مختلفة لنماذج الطرف الثالث - وهو تمييز سيحتاج المشترون من المؤسسات، على وجه الخصوص، إلى تقييمه بعناية. داخل تعاون Adobe النشط مع Nvidia بشأن البنية التحتية طويلة الأمد لوكيل الذكاء الاصطناعي، تتقاطع طموحات Adobe الوكيلة أيضًا مع شراكتها الإستراتيجية مع Nvidia، التي تم الإعلان عنها في وقت سابق من هذا العام في مؤتمر Nvidia's GTC. عندما سُئل عما إذا كانت القدرات الوكيلة لـ Firefly AI Assistant مبنية على مجموعة أدوات وكيل NVIDIA والبنية التحتية NeMo، كشف Costin أن التعاون نشط ولكنه لم يصل بعد إلى منتج شحن. وقال كوستين: \"نحن نجري مناقشات نشطة، ولا نحقق في النيموترون فقط\". \"لديهم هذه التكنولوجيا التي تسمى Open Shell وNemo Claw، والتي تمنحنا القدرة على تشغيل سير عمل وكيل طويل الأمد بكفاءة في بيئة معزولة.\" وقال إن التكنولوجيا ستصبح ذات أهمية متزايدة حيث تدفع Adobe المساعد للتعامل مع مهام إبداعية أطول وأكثر استقلالية - لكنه حذر من أنها \"لم يتم شحنها بعد\". يتم استكشافها بنشاط.\" بالنسبة لشركة Nvidia، التي تقوم ببناء نظام بيئي لمنصات وكيل الذكاء الاصطناعي للمؤسسات مع شركاء مثل Adobe وSalesforce وSAP، يمكن أن تكون الشراكة في النهاية بمثابة نقطة إثبات رفيعة المستوى لمكدس البنية التحتية للوكيل في المجال الإبداعي. بالنسبة لشركة Adobe، يمكن أن تكون القدرة على تشغيل مسارات عمل وكيلة معقدة وطويلة الأمد بكفاءة وأمان في بيئات معزولة، الأساس التقني الذي يفصل بين Firefly AI Assistant وتكاملات chatbot خفيفة الوزن التي يقدمها المنافسون. تشير الشراكة أيضًا إلى اعتراف Adobe بأن المتطلبات الحسابية للذكاء الاصطناعي الوكيل - حيث قد يؤدي طلب مستخدم واحد إلى إطلاق العشرات من استدعاءات النماذج واستدعاءات الأدوات - تتطلب شراكات بنية تحتية تتجاوز بكثير ما يمكن لشركة برمجيات أن تبنيه بمفردها. وضع تدرج الألوان الجديد لـ Premiere Pro والأدوات التي تشحنها Adobe اليوم إلى جانب إعلان مساعد الذكاء الاصطناعي الرئيسي، تعكس مجموعة التحديثات الأوسع من Adobe شركة تحاول تعزيز مكانتها عبر كل مرحلة من مراحل إنشاء المحتوى. قد يكون وضع الألوان في Premiere Pro هو الترقية الأكثر أهمية على المدى القريب للمحررين العاملين. مع دخول الإصدار التجريبي العام اليوم، يوصف وضع الألوان بأنه تجربة تدرج الألوان الأولى من نوعها المصممة خصيصًا للطريقة التي يفكر بها المحررون ويعملون بها - بدلاً من التلوين المخصصين. تشير Adobe إلى أنه تم تطويره من خلال نسخة تجريبية خاصة واسعة النطاق مع مئات من المحررين العاملين، وأن المشاركين أفادوا أنهم \"يستمتعون بالفعل بتصنيف الألوان\" - وهو شعور يشير إلى أن Adobe ربما وجدت طريقة لإضفاء الطابع الديمقراطي على أحد أكثر أنظمة ما بعد الإنتاج تخويفًا. من المتوقع أن يتوفر بشكل عام في وقت لاحق من عام 2026. يحصل Firefly Video Editor على ترقيات صوتية بما في ذلك ميزة Enhance Speech التي تم ترحيلها من Premiere وAdobe Podcast، والتكامل المباشر مع Adobe Stock مع إمكانية الوصول إلى أكثر من 800 مليون من الأصول المرخصة، وأدوات تحكم بسيطة في تعديل الألوان باستخدام أشرطة تمرير بديهية ومظهر بنقرة واحدة. على جبهة تحرير الصور، قدمت Adobe تقنية Precision Flow، التي تولد مجموعة من الاختلافات الدلالية من موجه واحد وتتيح للمستخدمين تصفحها عبر شريط تمرير تفاعلي - وهو نهج جديد وصفه كوستين بأنه \"أفضل تحكم قائم على شريط التمرير ممزوج بأفضل فهم دلالي ليس فقط للمشهد الحالي، ولكن لما يمكن أن يكون عليه المشهد.\" يكمل AI Markup ذلك من خلال السماح للمستخدمين بالرسم مباشرة على الصور لتحديد مكان وكيفية تطبيق التعديلات. يضيف After Effects 26.2 أداة Object Matte المدعومة بالذكاء الاصطناعي والتي تعمل على تسريع عملية التدوير والإخفاء بشكل كبير - قم بإنشاء ألوان غير لامعة دقيقة للموضوعات المتحركة من خلال التمرير والنقر، وقم بالتنقيح باستخدام فرشاة Quick Selection، وحواف مثالية باستخدام أداة Refine Edge. يريد Frame.io Drive إنهاء محرك الأقراص الثابتة الذي تم شحنه وجعل الوسائط السحابية تبدو محلية. بعد الانتهاء من الإعلانات، يعالج Frame.io Drive واحدة من أكثر نقاط الضعف المستمرة في إنتاج الفيديو الموزع: نقل الوسائط من النقطة أ إلى النقطة ب دون فقدان ساعات - أو أيام - للتنزيلات والمزامنة ومحركات الأقراص الثابتة المشحونة. Frame.io Drive هو تطبيق سطح مكتب يقوم بتثبيت مشاريع Frame.io على كمبيوتر المستخدم بحيث تظهر الوسائط في Finder أو Explorer وتتصرف مثل الملفات المحلية. تعمل التقنية الأساسية، التي تسمى Frame.io Mounted Storage، على بث الوسائط حسب الطلب كما تطلبها التطبيقات، بينما يضمن التخزين المؤقت المحلي التشغيل السلس. يعتمد المنتج على تقنية البث التي توفرها Suite Studios، ويتم تضمين إمكانية الوصول إلى الملفات في الوقت الفعلي مع كل حساب Frame.io. أكدت Adobe على أن كل المحتوى موجود فقط داخل Frame.io ولا تتم مشاركته مطلقًا مع أطراف ثالثة. تعمل هذه الخطوة على وضع Frame.io ليس فقط كأداة للمراجعة والموافقة في نهاية مسار الإنتاج ولكن كطبقة الوسائط المركزية منذ بداية المشروع - من الالتقاط الأول وحتى التسليم النهائي. إذا نجحت هذه الاستراتيجية، فمن الممكن أن تعمق بشكل كبير ارتباط Adobe بفرق الفيديو الاحترافية من خلال جعل Frame.io المصدر الوحيد للحقيقة في الإنتاج الموزع. سيتم طرح Frame.io Drive وMounted Storage على مراحل، حيث سيتمكن عملاء المؤسسات من الوصول بدءًا من اليوم والحسابات في الخطط الأخرى بعد فترة وجيزة. يمكن للآخرين الانضمام إلى قائمة الانتظار. لا يتمثل التحدي الأكبر الذي تواجهه Adobe في بناء الذكاء الاصطناعي، بل في إقناع المبدعين بالثقة فيه. ترسم إعلانات اليوم مجتمعة صورة لشركة تنفذ بقوة عبر جبهات متعددة، ولكنها أيضًا تتنقل في لحظة معقدة. قدمت Adobe Firefly لأول مرة في مارس 2023 كعائلة من نماذج الذكاء الاصطناعي الإبداعية التي تركز على تأثيرات الصور والنصوص، مع التركيز القوي على السلامة التجارية من خلال التدريب على محتوى Adobe Stock المرخص. وفي العامين التاليين، توسعت الشركة بسرعة في مجال إنتاج الفيديو، والوصول إلى النماذج المتعددة، والآن سير العمل الوكيل - وهو مسار يعكس تحول الصناعة الأوسع من ميزات الذكاء الاصطناعي المستقلة إلى أنظمة الذكاء الاصطناعي الأصلية. لكن المجال التنافسي نما بشكل كبير. استحوذت Runway وPika ومجموعة من الشركات الناشئة المعتمدة على الذكاء الاصطناعي في مجال إنتاج الفيديو على المشاركة الذهنية بين المبدعين. قامت Canva بدمج الذكاء الاصطناعي بقوة في منصة التصميم الخاصة بها. وظهور نماذج أساسية قوية من OpenAI وGoogle وAnthropic - والتي تقول Adobe إنها ستتكامل مع قدرات Firefly AI Assistant - يعني أن العائق أمام بناء أدوات الذكاء الاصطناعي الإبداعية لم يكن أقل من أي وقت مضى. تتعامل Adobe أيضًا مع طموحات المنتج هذه في ظل خلفية مؤسسية معقدة: الرحيل الوشيك للرئيس التنفيذي Shantanu Narayen، والثغرة الأمنية التي تم استغلالها بشكل نشط في Acrobat Reader (CVE-2026-34621) والتي استخدمها المتسللون لعدة أشهر قبل تصحيحها هذا الأسبوع، وتحقيق مكافحة الاحتكار في المملكة المتحدة بشأن رسوم الإلغاء، وتسوية دعوى قضائية حديثة بقيمة 75 مليون دولار. تتمثل استجابة Adobe، التي تم توضيحها بوضوح من خلال عمليات الإطلاق اليوم، في الاعتماد على ما تعتقد أنه أعمق خندقها: دمج الذكاء الاصطناعي في مجموعة من التطبيقات ذات المستوى الاحترافي والرائدة في فئتها والتي لا يمكن لأي شركة ناشئة تكرارها بين عشية وضحاها. صاغ كوستن عملية الانتقال الفاعلية على أنها تمكين للمحترفين المبدعين وليس تهديدًا لهم، حيث قارن المهارات الإبداعية بإصدار الجيل التالي من Photoshop Actions - وهي ميزة التسجيل الكلي التي سمحت للمستخدمين المتميزين منذ فترة طويلة بأتمتة المهام المتكررة. وقال: \"نريد أن نساعد عملائنا على أن يصبحوا - بدءًا من أولئك الذين يقومون بكل العمل - ليكونوا مديرين مبدعين، يقومون ببعض الأعمال، ولكن الأهم من ذلك، توجيه المساعد في تنفيذ بعض تلك الرؤى الإبداعية\". إنها فكرة مقنعة، وبطريقتها الخاصة، كاشفة. على مدار ثلاثة عقود، حققت شركة Adobe ثروتها من خلال بيع الأدوات التي حولت الرؤية الإبداعية إلى وحدات بكسل جاهزة. وهي الآن تطلب من عملائها السماح لوكيل الذكاء الاصطناعي بالتعامل مع المزيد من تلك الترجمة، على ثقة من أن الدور البشري سوف يتحول من تشغيل الأدوات إلى توجيه النتائج. ما إذا كان المبدعون سيتقبلون هذه الصفقة - وما إذا كانت وول ستريت تكافئها - فلن يحدد مسار Adobe فحسب، بل أيضًا شكل الصناعة بأكملها التي تتعلم كيفية الإنشاء جنبًا إلى جنب. آلات.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/traza-raises-usd2-1-million-led-by-base10-to-automate-procurement-workflows-with-ai",
            "title_en": "Traza raises $2.1 million led by Base10 to automate procurement workflows with AI",
            "summary_en": "For decades, procurement has been the back office that enterprise software forgot. Billions of dollars flow through vendor negotiations, purchase orders, and supplier communications every year at the largest manufacturers and construction companies in the country — and the vast majority of that work still runs on email threads, spreadsheets, and phone calls. Traza , a newly launched startup headquartered in New York, believes the moment has arrived to change that. The company announced today the close of a $2.1 million pre-seed round led by Base10 Partners , with participation from Kfund , a16z scouts , Clara Ventures , Masia Ventures , and a roster of angel investors including Pepe Agell, who scaled Chartboost to 700 million monthly users before its acquisition by Zynga. The funding is mo",
            "body_en": "For decades, procurement has been the back office that enterprise software forgot. Billions of dollars flow through vendor negotiations, purchase orders, and supplier communications every year at the largest manufacturers and construction companies in the country — and the vast majority of that work still runs on email threads, spreadsheets, and phone calls. Traza , a newly launched startup headquartered in New York, believes the moment has arrived to change that. The company announced today the close of a $2.1 million pre-seed round led by Base10 Partners , with participation from Kfund , a16z scouts , Clara Ventures , Masia Ventures , and a roster of angel investors including Pepe Agell, who scaled Chartboost to 700 million monthly users before its acquisition by Zynga. The funding is modest by Silicon Valley standards. But Traza's pitch is anything but incremental: the company deploys AI agents that don't just recommend procurement actions — they execute them autonomously, handling vendor outreach, request-for-quote generation, order tracking, supplier communications, and invoice processing without continuous human supervision. \"AI is redesigning the procurement category from the ground up,\" said Silvestre Jara Montes, Traza's CEO and co-founder, in an exclusive interview with VentureBeat. \"This wave of AI won't just build procurement software — it will rebuild how procurement works.\" Why procurement contracts silently lose millions after the ink dries The market Traza is targeting is enormous and, by the company's framing, spectacularly underserved. The procurement software market alone exceeds $8 billion and grows at roughly 10% annually . But the real cost sits in the labor — the armies of people, agencies, and ad hoc workarounds required to actually run procurement operations at scale. Most enterprises meaningfully engage with only their top 20% of suppliers. The remaining 80% — the vendor outreach, order tracking, invoice reconciliation, and compliance monitoring — goes largely unmanaged. Research from World Commerce & Contracting and Ironclad finds that organizations lose an average of 11% of total contract value after agreements are signed, a phenomenon described as \"post-signature value leakage.\" As Tim Cummins, President of WorldCC, put it: \"The research shows that the 11% value gap is not caused by poor negotiation, but by how contracts are managed after signature.\" For a large enterprise with $500 million in annual contracted spend, that represents $55 million vanishing each year — not from bad deals, but from the operational void between what gets agreed at the negotiating table and what actually gets executed on the ground. Missed savings, unauthorized changes, and poor renewal planning are responsible for the biggest losses. Jara Montes argues that Traza sits precisely in this gap. \"The 11% spans commercial, operational, and compliance leakage. We own the operational layer — and that's where the most recoverable value sits,\" he said. \"Supplier tail management that never happens, RFQ processes skipped because someone ran out of bandwidth, invoice discrepancies that slip through unnoticed. That's where contracts bleed value after signing, and that's exactly what we automate.\" The numbers from Traza's early deployments, while nascent, are striking: the company claims a 70% reduction in human hours spent on procurement tasks and procurement cycles running three times faster than manual baselines. How AI agents crossed the line from procurement copilot to autonomous worker To understand what makes Traza's approach different, it helps to understand what \"AI for procurement\" has meant until now. For the past several years, the term largely described dashboards, analytics layers, and recommendation engines that surfaced insights but left every decision and action in a human's hands. Products from incumbents like SAP Ariba and Coupa — as well as newer entrants like Zip , Fairmarkit , and Tonkean — have layered AI capabilities on top of existing systems of record. But the gap between piloting AI and achieving production-scale impact remains stark, with 49 percent of procurement teams running pilots but only 4 percent reaching meaningful deployment. Traza's bet is that 2026 represents an inflection point. AI agents now possess the multi-step reasoning, tool use, and contextual memory required to execute full procurement workflows autonomously — from vendor discovery through invoice processing. The company frames this not as an upgrade to existing procurement software, but as an entirely new product category. \"The incumbents built systems of record. They organize procurement data and they've never executed procurement work — and their AI additions don't fundamentally change that,\" Jara Montes said. \"What they're shipping is a recommendation layer on the same underlying architecture. A human still has to act on every suggestion. We replace the operational layer entirely.\" Industry data supports the thesis that enterprises are hungry for this shift. According to the 2025 Global CPO Survey from EY, 80 percent of global chief procurement officers plan to deploy generative AI in some capacity over the next three years, and 66 percent consider it a high priority over the next 12 months. A 2025 ABI Research survey found that 76% of supply chain professionals already see autonomous AI agents as ready to handle core tasks like reordering, supplier outreach, and shipment rerouting without human intervention — and early deployments are demonstrably reducing supply chain operational costs by 20 to 35%. Inside the workflow: what Traza's AI does and where humans still make the call In a typical deployment, Traza's AI agent takes over the operational labor that currently lives in inboxes, spreadsheets, and manual follow-up chains. In a standard RFQ workflow, the agent identifies suitable suppliers, drafts and sends the request for quotes, monitors supplier responses, follows up automatically when responses lag, parses incoming quotes regardless of their format, and builds a structured comparison table ready for a human decision-maker. The key design principle is deliberate: humans remain in the loop at critical junctures. \"At critical steps — approving a purchase order, flagging a compliance issue, committing spend above a threshold — a human is always in the loop,\" Jara Montes explained. \"That's not a limitation, it's the design. It's how you maintain the auditability enterprises require while moving faster than any manual process could. You earn expanded autonomy over time, as trust is built and results compound.\" When asked about the risk of AI errors — a wrong purchase order or a missed compliance check that could prove costly — Jara Montes was direct: \"Anything with meaningful financial or compliance exposure requires human approval before it executes — that's non-negotiable and baked into the architecture. Below those thresholds, the agent acts autonomously and logs everything.\" He added a point that reveals a subtler product insight: \"Most procurement operations today are a black box — nobody has a clear picture of what's happening across the supplier tail. We make it legible.\" In other words, the transparency the AI agent provides may itself be a product — giving procurement leaders visibility they have never had into the long tail of supplier relationships that most enterprises simply ignore. How Traza plugs into legacy enterprise systems without ripping them out One of the recurring challenges for any enterprise AI startup is the integration question: How do you plug into the deeply entrenched, often decades-old technology stacks that large manufacturers and construction companies rely on? Traza's answer is to sit on top of existing systems rather than replace them. \"We connect via API or direct integration into whatever the customer already runs — ERPs, email, supplier portals. We have reach across more than 200 enterprise tools,\" Jara Montes said. \"We don't rip out their system, we sit on top of them.\" The go-to-market motion mirrors this pragmatism. Instead of attempting a big-bang deployment, Traza runs a two-to-three-month proof of value focused on a single, specific workflow. Integrations are built at the key steps that matter for that particular use case, then expanded as the scope of the engagement grows. \"We don't try to connect everything upfront — we compound integrations as we expand scope within each account,\" Jara Montes said. \"And every integration we build compounds across customers too. Each new deployment makes the next one faster.\" Throughout the process, the company works side by side with the customer's team, managing complexity and helping them transition into a new way of operating. It is a notably high-touch approach for a company selling automation. The company is already working with large manufacturers and construction companies and says they are paying, though it declines to name them publicly. \"We want to earn the right to grow inside each account, not land a pilot that goes nowhere,\" Jara Montes said. \"That's how you build something that actually sticks in enterprise.\" Traza bets that vertical depth in physical industry will beat horizontal AI platforms Traza enters a market that is rapidly heating up. The leading AI procurement solutions include platforms from Coupa , Ivalua , SAP Ariba , Zip , Zycus , and Fairmarkit . Keelvar provides autonomous sourcing bots capable of launching RFQs, collecting bids, and recommending optimal awards, while Tonkean offers a no-code orchestration platform using NLP and generative AI to streamline procurement intake and tail-spend management. Against this crowded field, Jara Montes draws a sharp distinction between horizontal automation tools and Traza's focus on physical industry. \"We're built specifically for the physical industry, where supplier relationships, compliance requirements, and workflow complexity are categorically different from software procurement,\" he said. \"A generic agent doesn't survive contact with how procurement actually works in manufacturing or construction. Specificity is the moat.\" The competitive dynamics with major incumbents are perhaps even more consequential. SAP Ariba, Coupa, and their peers have massive installed bases and deep enterprise relationships. Jara Montes frames their AI initiatives as surface-level additions to legacy architectures — but whether Traza can convert that framing into market share at scale, especially given the gravitational pull of existing vendor relationships, remains the central strategic question. Beneath Traza's product pitch sits a deeper strategic thesis about compounding data advantages. The company describes a two-layered learning architecture: at the agent level, Traza gets smarter across every deployment by absorbing supplier behavior patterns, RFQ response dynamics, pricing anomalies, and workflow edge cases. At the data level, each customer's information stays fully isolated. \"What we're building is deep operational knowledge of how procurement actually runs in the physical industry — not how it's supposed to run according to an RFP, but how it really runs, with all the exceptions and workarounds,\" Jara Montes said. \"That's extraordinarily hard to replicate if you're starting from scratch, and it gets harder to catch up with the more deployments we have.\" Three Spanish founders, one fellowship, and a plan to rewire industrial procurement Traza was co-founded by three Spanish entrepreneurs — Silvestre Jara Montes, Santiago Martínez Bragado, and Sergio Ayala Miñano — who came to the United States through the Exponential Fellowship , a program that brings Europe's top technical talent to the U.S. to build companies at the frontier of AI. Their backgrounds span both sides of the problem Traza is trying to solve. Jara Montes worked at Amazon and CMA CGM — one of the world's largest shipping groups — at the intersection of operations strategy and supply chain optimization. Martínez Bragado built and deployed agentic AI at Clarity AI before joining Concourse (backed by a16z, Y Combinator, and CRV) as Founding AI Engineer. Ayala Miñano comes from StackAI, one of the fastest-growing enterprise AI platforms in San Francisco, where he was a Founding Engineer. None of the founders carry the title of Chief Procurement Officer, a gap that the company acknowledges has occasionally surfaced in buyer conversations. Jara Montes's response is characteristically direct: \"Our work is the answer. The results we're generating move that conversation quickly.\" He noted that the company has senior procurement leaders serving as advisors who have run procurement at the scale of its target customers. Base10 Partners, the lead investor, is a San Francisco-based venture capital firm that invests in companies automating sectors of what it calls \" the Real Economy .\" Its portfolio includes Notion, Figma, Nubank, Stripe, and Aurora Solar. Rexhi Dollaku, General Partner at Base10, framed the investment in emphatic terms: \"Supply chain and procurement is one of the largest, most underautomated markets in the Real Economy. AI agents are finally capable of doing the work, not just assisting with it.\" The supporting cast of investors reinforces the immigrant-founder narrative. Clara Ventures — founded by the executives behind Olapic's $130 million exit — specifically invests in driven foreign founders building in the United States, and Agell adds operational credibility from building Chartboost into a $100 million revenue business in under three years as a Spanish founder in Silicon Valley. Why $2.1 million may stretch further than it looks for an enterprise AI startup At $2.1 million, this is a deliberately small round for a company selling to large enterprises with notoriously long procurement cycles. Jara Montes argues it goes further than it appears for structural reasons. \"We leverage Europe as a tech talent hub, where we have a deep network of exceptional engineers — people who want to work at the frontier of AI but have far fewer opportunities to do so than their US counterparts,\" he said. \"We're not just lean — we're built to outcompete on capital efficiency while others are burning through runway trying to hire in San Francisco.\" The go-to-market motion is designed for speed to revenue. Proofs of value are scoped, time-bounded, and converted to paying partnerships. The company says it is not running 18-month enterprise sales cycles before seeing a dollar. The milestone for the next raise is explicit: more paying customers, meaningfully stronger annual recurring revenue, and a repeatable sales motion that makes the seed round, as Jara Montes put it, \"an obvious conversation.\" Looking ahead, he outlined an ambitious three-year target: 20 to 30 large industrial enterprises in the U.S. and Europe running Traza across their procurement operations, with over a billion dollars in procurement spend flowing through the platform. Whether that vision is achievable depends on several interlocking variables — the pace at which AI agent capabilities continue to improve, the speed of enterprise adoption in a traditionally conservative buyer segment, and Traza's ability to navigate the competitive gauntlet of incumbents adding AI features and well-funded startups attacking adjacent workflows. But the underlying math may be on Traza's side. In procurement, the money that disappears does not look like waste. It vanishes into inefficiency, missed obligations, unmanaged risks, and forgotten commitments — the kind of silent losses that no one tracks because no one has the bandwidth to track them. The traditional mandate of procurement, as currently configured, ends where the value gap begins: at signature. Traza is building an AI workforce that picks up where the humans leave off. For an industry that has spent decades losing $55 million at a time to the back office nobody watches, that might be precisely the point.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/1BlLS9asVgj2WDV5j09DTX\/7aa5369b05fb9ad458c16a4a1e481ba8\/nuneybits_Vector_art_of_a_stack_of_invoices_8a53c753-9472-420d-8a66-873e33846084.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/traza-raises-usd2-1-million-led-by-base10-to-automate-procurement-workflows-with-ai",
            "date": "2026-04-15",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تجمع Traza مبلغ 2.1 مليون دولار بقيادة Base10 لأتمتة سير عمل المشتريات باستخدام الذكاء الاصطناعي",
            "summary_ar": "لعقود من الزمن، كانت المشتريات بمثابة المكتب الخلفي الذي نسيته برامج المؤسسة. تتدفق مليارات الدولارات من خلال مفاوضات البائعين، وأوامر الشراء، واتصالات الموردين كل عام في أكبر الشركات المصنعة وشركات البناء في البلاد - ولا تزال الغالبية العظمى من هذا العمل تتم عبر رسائل البريد الإلكتروني وجداول البيانات والمكالمات الهاتفية. تعتقد شركة Traza، وهي شركة ناشئة تم إطلاقها حديثًا ومقرها في نيويورك، أن الوقت قد حان لتغيير ذلك. أعلنت الشركة اليوم عن اختتام جولة تمويل أولي بقيمة 2.1 مليون دولار بقيادة Base10 Partners، بمشاركة Kfund وa16z scouts وClara Ventures وMasia Ventures وقائمة من المستثمرين الملائكيين بما في ذلك Pepe Agell، الذي قام بتوسيع نطاق Chartboost إلى 700 مليون مستخدم شهريًا قبل استحواذ Zynga عليها. التمويل هو شهر",
            "body_ar": "لعقود من الزمن، كانت المشتريات بمثابة المكتب الخلفي الذي نسيته برامج المؤسسة. تتدفق مليارات الدولارات من خلال مفاوضات البائعين، وأوامر الشراء، واتصالات الموردين كل عام في أكبر الشركات المصنعة وشركات البناء في البلاد - ولا تزال الغالبية العظمى من هذا العمل تتم عبر رسائل البريد الإلكتروني وجداول البيانات والمكالمات الهاتفية. تعتقد شركة Traza، وهي شركة ناشئة تم إطلاقها حديثًا ومقرها في نيويورك، أن الوقت قد حان لتغيير ذلك. أعلنت الشركة اليوم عن اختتام جولة تمويل أولي بقيمة 2.1 مليون دولار بقيادة Base10 Partners، بمشاركة Kfund وa16z scouts وClara Ventures وMasia Ventures وقائمة من المستثمرين الملائكيين بما في ذلك Pepe Agell، الذي قام بتوسيع نطاق Chartboost إلى 700 مليون مستخدم شهريًا قبل استحواذ Zynga عليها. التمويل متواضع وفقًا لمعايير وادي السيليكون. لكن عرض Traza لا يعدو كونه تدريجيًا: حيث تنشر الشركة وكلاء الذكاء الاصطناعي الذين لا يكتفون بالتوصية بإجراءات الشراء فحسب، بل ينفذونها بشكل مستقل، ويتعاملون مع التواصل مع البائعين، وإنشاء طلبات عروض الأسعار، وتتبع الطلبات، واتصالات الموردين، ومعالجة الفواتير دون إشراف بشري مستمر. وقال سيلفستر جارا مونتيس، الرئيس التنفيذي والمؤسس المشارك لشركة Traza، في مقابلة حصرية مع VentureBeat: \"إن الذكاء الاصطناعي يعيد تصميم فئة المشتريات من الألف إلى الياء\". \"لن تقوم هذه الموجة من الذكاء الاصطناعي ببناء برمجيات المشتريات فحسب، بل ستعيد بناء آلية عمل المشتريات.\" لماذا تخسر عقود الشراء الملايين بصمت بعد أن يجف الحبر؟ السوق التي تستهدفها Traza هائلة، ومن خلال تأطير الشركة، تعاني من نقص الخدمات بشكل مذهل. يتجاوز سوق برمجيات المشتريات وحده 8 مليارات دولار وينمو بمعدل 10% سنويًا تقريبًا. لكن التكلفة الحقيقية تكمن في العمالة - جيوش من الأشخاص، والوكالات، والحلول المخصصة اللازمة لإدارة عمليات الشراء فعليًا على نطاق واسع. تتعامل معظم الشركات بشكل هادف مع أفضل 20% فقط من الموردين لديها. أما نسبة الـ 80% المتبقية - وهي التواصل مع البائعين، وتتبع الطلبات، وتسوية الفواتير، ومراقبة الامتثال - فهي لا تتم إدارتها إلى حد كبير. وجدت الأبحاث التي أجرتها شركتا World Commerce & Contracting وIronclad أن المؤسسات تخسر في المتوسط ​​11% من إجمالي قيمة العقد بعد توقيع الاتفاقيات، وهي ظاهرة توصف بأنها \"تسرب قيمة ما بعد التوقيع\". وكما قال تيم كامينز، رئيس منظمة وورلد سي سي: \"تظهر الأبحاث أن فجوة القيمة التي تبلغ 11% لا ترجع إلى سوء التفاوض، بل إلى كيفية إدارة العقود بعد التوقيع\". بالنسبة إلى مؤسسة كبيرة يبلغ إنفاقها السنوي المتعاقد عليه 500 مليون دولار، فإن هذا يمثل اختفاء 55 مليون دولار كل عام – ليس من الصفقات السيئة، ولكن من الفراغ العملياتي بين ما يتم الاتفاق عليه على طاولة المفاوضات وما يتم تنفيذه فعلياً على الأرض. تعتبر المدخرات الضائعة والتغييرات غير المصرح بها وسوء تخطيط التجديد مسؤولة عن أكبر الخسائر. يجادل جارا مونتيس بأن ترازا يقع على وجه التحديد في هذه الفجوة. وقال: \"تشمل نسبة 11% التسرب التجاري والتشغيلي والامتثال. نحن نملك الطبقة التشغيلية - وهنا تكمن القيمة الأكثر قابلية للاسترداد\". \"إدارة ذيل الموردين التي لا تحدث أبدًا، تم تخطي عمليات طلب عرض الأسعار بسبب نفاد النطاق الترددي لشخص ما، وتناقضات في الفاتورة تمر دون أن يلاحظها أحد. هذا هو المكان الذي تستنزف فيه العقود القيمة بعد التوقيع، وهذا هو بالضبط ما نقوم بأتمتته.\" إن الأرقام الناتجة عن عمليات النشر المبكرة لـ Traza، على الرغم من أنها في بادئ الأمر، مذهلة: تدعي الشركة انخفاضًا بنسبة 70٪ في ساعات العمل البشرية التي تقضيها في مهام المشتريات ودورات الشراء التي تعمل بشكل أسرع بثلاث مرات من خطوط الأساس اليدوية. كيف تجاوز وكلاء الذكاء الاصطناعي الحدود من مساعد طيار المشتريات إلى العامل المستقل لفهم ما يجعل نهج Traza مختلفًا، من المفيد أن نفهم ما يعنيه \"الذكاء الاصطناعي للمشتريات\" حتى الآن. على مدى السنوات العديدة الماضية، كان المصطلح يصف إلى حد كبير لوحات المعلومات وطبقات التحليلات ومحركات التوصيات التي أظهرت رؤى ولكنها تركت كل قرار وإجراء في أيدي الإنسان. لقد قامت المنتجات المقدمة من الشركات القائمة مثل SAP Ariba وCoupa - بالإضافة إلى الوافدين الجدد مثل Zip وFairmarkit وTonkean - بوضع قدرات الذكاء الاصطناعي فوق الأنظمة المسجلة الحالية. لكن الفجوة بين تجريب الذكاء الاصطناعي وتحقيق التأثير على مستوى الإنتاج لا تزال صارخة، حيث يقوم 49 بالمائة من فرق المشتريات بتشغيل برامج تجريبية ولكن 4 بالمائة فقط يصلون إلى نشر فعال. رهان ترازا هو أن عام 2026 يمثل نقطة انعطاف. يمتلك وكلاء الذكاء الاصطناعي الآن التفكير متعدد الخطوات واستخدام الأدوات والذاكرة السياقية المطلوبة لتنفيذ سير عمل المشتريات بالكامل بشكل مستقل - بدءًا من اكتشاف البائع وحتى معالجة الفواتير. وتضع الشركة هذا ليس كترقية لبرامج المشتريات الحالية، ولكن كفئة منتج جديدة تمامًا. \"قام شاغلو الوظائف ببناء أنظمة التسجيل. قال جارا مونتيس: \"إنهم ينظمون بيانات المشتريات ولم ينفذوا أبدًا أعمال الشراء - ولا تغير إضافات الذكاء الاصطناعي الخاصة بهم ذلك بشكل جذري\". \"ما يقومون بشحنه هو طبقة توصية على نفس البنية الأساسية. لا يزال يتعين على الإنسان أن يتصرف بناءً على كل اقتراح. نحن نستبدل الطبقة التشغيلية بالكامل.\" تدعم بيانات الصناعة الفرضية القائلة بأن الشركات متعطشة لهذا التحول. وفقًا لاستطلاع CPO العالمي لعام 2025 من EY، يخطط 80 بالمائة من كبار مسؤولي المشتريات العالميين لنشر الذكاء الاصطناعي التوليدي في بعض القدرات على مدار السنوات الثلاث المقبلة، ويعتبر 66 بالمائة منهم أولوية عالية خلال الأشهر الـ 12 المقبلة. وجد استطلاع أجرته ABI Research لعام 2025 أن 76% من المتخصصين في سلسلة التوريد يرون بالفعل أن وكلاء الذكاء الاصطناعي المستقلين جاهزون للتعامل مع المهام الأساسية مثل إعادة الطلب والتواصل مع الموردين وإعادة توجيه الشحنات دون تدخل بشري - كما أن عمليات النشر المبكرة تقلل بشكل واضح من تكاليف تشغيل سلسلة التوريد بنسبة 20 إلى 35%. داخل سير العمل: ما يفعله الذكاء الاصطناعي في Traza وأين لا يزال البشر يقومون بإجراء المكالمة في عملية نشر نموذجية، يتولى وكيل الذكاء الاصطناعي في Traza العمل التشغيلي الذي يوجد حاليًا في صناديق البريد الوارد وجداول البيانات وسلاسل المتابعة اليدوية. في سير عمل RFQ القياسي، يحدد الوكيل الموردين المناسبين، ويقوم بصياغة طلب عروض الأسعار وإرساله، ومراقبة استجابات الموردين، والمتابعة تلقائيًا عندما تتأخر الاستجابات، ويحلل عروض الأسعار الواردة بغض النظر عن تنسيقها، ويبني جدول مقارنة منظم جاهز لصانع القرار البشري. إن مبدأ التصميم الرئيسي متعمد: يبقى البشر في الحلقة عند المنعطفات الحرجة. وأوضح جارا مونتيس: \"في الخطوات الحاسمة - الموافقة على أمر الشراء، والإبلاغ عن مشكلة الامتثال، والالتزام بالإنفاق بما يتجاوز الحد الأدنى - يكون الإنسان دائمًا على اطلاع\". \"هذا ليس قيدًا، إنه التصميم. إنها الطريقة التي تحافظ بها على قابلية التدقيق التي تتطلبها المؤسسات بينما تتحرك بشكل أسرع من أي عملية يدوية. أنت تكتسب استقلالية موسعة بمرور الوقت، مع بناء الثقة وتفاقم النتائج.\" عندما سُئل عن خطر أخطاء الذكاء الاصطناعي - أمر شراء خاطئ أو فحص امتثال غير مكتمل يمكن أن يكون مكلفًا - كان جارا مونتيس مباشرًا: \"أي شيء له تعرض مالي أو امتثال هادف يتطلب موافقة بشرية قبل تنفيذه - وهذا غير قابل للتفاوض ومدمج في التصميم. وتحت تلك الحدود، يتصرف الوكيل بشكل مستقل ويسجل كل شيء.\" وأضاف نقطة تكشف عن رؤية أكثر دقة للمنتج: \"معظم عمليات الشراء اليوم هي صندوق أسود - لا أحد لديه صورة واضحة عما يحدث عبر ذيل المورد. وبعبارة أخرى، فإن الشفافية التي يوفرها وكيل الذكاء الاصطناعي قد تكون في حد ذاتها منتجًا - مما يمنح قادة المشتريات رؤية لم يسبق لهم مثيل في سلسلة العلاقات الطويلة مع الموردين التي تتجاهلها معظم الشركات ببساطة. كيف يتم توصيل Traza بأنظمة المؤسسات القديمة دون التخلص منها؟ أحد التحديات المتكررة التي تواجه أي مؤسسة ناشئة في مجال الذكاء الاصطناعي هو سؤال التكامل: كيف يمكنك توصيل مجموعات التكنولوجيا الراسخة التي تعود إلى عقود من الزمن والتي تعتمد عليها الشركات المصنعة الكبرى وشركات البناء؟ إجابة ترازا هي الجلوس على قمة الأنظمة الحالية بدلاً من استبدالها. وقال جارا مونتيس: \"نحن نتصل عبر واجهة برمجة التطبيقات (API) أو التكامل المباشر مع كل ما يديره العميل بالفعل - أنظمة تخطيط موارد المؤسسات (ERP)، والبريد الإلكتروني، وبوابات الموردين. لدينا إمكانية الوصول عبر أكثر من 200 أداة مؤسسية\". \"نحن لا نتخلص من نظامهم، بل نجلس فوقهم.\" وتعكس حركة الذهاب إلى السوق هذه البراغماتية. بدلاً من محاولة النشر الكبير، تدير Traza إثباتًا للقيمة لمدة شهرين إلى ثلاثة أشهر يركز على سير عمل واحد محدد. يتم إنشاء عمليات التكامل وفقًا للخطوات الرئيسية التي تهم حالة الاستخدام المحددة هذه، ثم يتم توسيعها مع نمو نطاق المشاركة. وقال جارا مونتيس: \"نحن لا نحاول ربط كل شيء مقدمًا، بل نقوم بدمج عمليات التكامل مع توسيع النطاق داخل كل حساب\". \"وكل عملية تكامل نقوم ببناء مركبات عبر العملاء أيضًا. كل عملية نشر جديدة تجعل عملية النشر التالية أسرع.\" طوال العملية، تعمل الشركة جنبًا إلى جنب مع فريق العميل، لإدارة التعقيد ومساعدتهم على الانتقال إلى طريقة جديدة للعمل. إنه نهج عالي اللمسة بشكل ملحوظ لشركة تبيع الأتمتة. تعمل الشركة بالفعل مع الشركات المصنعة الكبرى وشركات البناء وتقول إنها تدفع، على الرغم من أنها ترفض تسميتها علنًا. وقال جارا مونتيس: \"نريد أن نكتسب الحق في النمو داخل كل حساب، وليس الحصول على طيار لا يصل إلى أي مكان\". \"هذه هي الطريقة التي تبني بها شيئًا يلتصق فعليًا بالمؤسسة.\" يراهن Traza على أن العمق الرأسي في الصناعة المادية سوف يتفوق على منصات الذكاء الاصطناعي الأفقية. تدخل Traza سوقًا يشتعل بسرعة. تشمل حلول المشتريات الرائدة في مجال الذكاء الاصطناعي منصات من Coupa وIvalua وSAP Ariba وZip وZycus وFairmarkit. توفر Keelvar روبوتات مصادر مستقلة قادرة على إطلاق طلبات عروض الأسعار، وجمع العطاءات، والتوصية بالجوائز المثالية، في حين تقدم Tonkean منصة تنسيق بدون تعليمات برمجية باستخدام البرمجة اللغوية العصبية والذكاء الاصطناعي التوليدي لتبسيط عملية شراء المشتريات وإدارة الإنفاق. وفي مواجهة هذا المجال المزدحم، يرسم جارا مونتيس تمييزًا حادًا بين أدوات الأتمتة الأفقية وتركيز Traza على الصناعة المادية. وقال: \"لقد تم تصميمنا خصيصًا للصناعة المادية، حيث تختلف العلاقات مع الموردين ومتطلبات الامتثال وتعقيد سير العمل بشكل قاطع عن شراء البرامج\". \"لا ينجو الوكيل العام من الاتصال بكيفية عمل المشتريات فعليًا في التصنيع أو البناء. فالخصوصية هي الخندق.\" وربما تكون الديناميكيات التنافسية مع الشركات الكبرى أكثر أهمية. تتمتع SAP Ariba وCoupa وأقرانهما بقواعد مثبتة ضخمة وعلاقات مؤسسية عميقة. تضع Jara Montes مبادرات الذكاء الاصطناعي الخاصة بها كإضافات على المستوى السطحي للبنى القديمة - ولكن ما إذا كانت Traza قادرة على تحويل هذا الإطار إلى حصة سوقية على نطاق واسع، لا سيما في ضوء قوة جاذبية علاقات البائعين الحالية، يظل السؤال الاستراتيجي المركزي. تحت عرض منتج Traza توجد أطروحة استراتيجية أعمق حول مضاعفة مزايا البيانات. تصف الشركة بنية تعليمية ذات طبقتين: على مستوى الوكيل، تصبح Traza أكثر ذكاءً عبر كل عملية نشر من خلال استيعاب أنماط سلوك الموردين، وديناميكيات الاستجابة لطلب عرض الأسعار، والشذوذ في التسعير، وحالات حافة سير العمل. على مستوى البيانات، تظل معلومات كل عميل معزولة تمامًا. وقال جارا مونتيس: \"ما نبنيه هو معرفة تشغيلية عميقة حول كيفية إدارة المشتريات فعليًا في الصناعة المادية - وليس كيف من المفترض أن تتم وفقًا لطلب تقديم العروض، ولكن كيف تتم إدارتها بالفعل، مع جميع الاستثناءات والحلول البديلة\". \"من الصعب للغاية تكرار ذلك إذا كنت تبدأ من الصفر، ويصبح من الصعب اللحاق بعمليات النشر الإضافية التي لدينا.\" ثلاثة مؤسسين إسبان، وزمالة واحدة، وخطة لتجديد المشتريات الصناعية شارك في تأسيس Traza ثلاثة من رواد الأعمال الإسبان - سيلفستر جارا مونتيس، وسانتياغو مارتينيز براغادو، وسيرجيو أيالا مينيانو - الذين أتوا إلى الولايات المتحدة من خلال الزمالة الأسية، وهو برنامج يجلب أفضل المواهب التقنية في أوروبا إلى العالم. الولايات المتحدة تبني شركات على حدود الذكاء الاصطناعي تمتد خلفياتهم إلى جانبي المشكلة التي يحاول Traza حلها. عمل جارا مونتيس في Amazon وCMA CGM - إحدى أكبر مجموعات الشحن في العالم - عند تقاطع استراتيجية العمليات وتحسين سلسلة التوريد. قام Martínez Bragado ببناء ونشر الذكاء الاصطناعي الوكيل في Clarity AI قبل الانضمام إلى Concourse (بدعم من a16z وY Combinator وCRV) كمهندس الذكاء الاصطناعي المؤسس. يأتي أيالا مينيانو من StackAI، إحدى منصات الذكاء الاصطناعي المؤسسية الأسرع نموًا في سان فرانسيسكو، حيث كان مهندسًا مؤسسًا. لا يحمل أي من المؤسسين لقب كبير مسؤولي المشتريات، وهي فجوة تعترف الشركة بأنها تظهر أحيانًا في محادثات المشترين. كان رد جارا مونتيس مباشرًا بشكل مميز: \"عملنا هو الحل. النتائج التي نولدها تحرك تلك المحادثة بسرعة.\" وأشار إلى أن الشركة لديها كبار قادة المشتريات الذين يعملون كمستشارين قاموا بإدارة المشتريات على نطاق عملائها المستهدفين. Base10 Partners، المستثمر الرئيسي، هي شركة رأس مال استثماري مقرها سان فرانسيسكو تستثمر في شركات تعمل على أتمتة قطاعات ما تسميه \"الاقتصاد الحقيقي\". وتشمل محفظتها Notion وFigma وNubank وStripe وAurora Solar. وقد صاغ ريكسهي دولاكو، الشريك العام في Base10، الاستثمار بعبارات مؤكدة: \"تعد سلسلة التوريد والمشتريات واحدة من أكبر الأسواق وأكثرها أتمتة في الاقتصاد الحقيقي. أصبح وكلاء الذكاء الاصطناعي قادرين أخيرًا على القيام بالعمل، وليس فقط المساعدة فيه.\" تعمل المجموعة الداعمة من المستثمرين على تعزيز رواية المؤسس المهاجر. تستثمر شركة Clara Ventures - التي أسسها المسؤولون التنفيذيون وراء خروج Olapic بقيمة 130 مليون دولار - على وجه التحديد في مؤسسين أجانب مدفوعين يبنون أعمالهم في الولايات المتحدة، ويضيف Agell مصداقية تشغيلية من بناء Chartboost إلى شركة تبلغ إيراداتها 100 مليون دولار في أقل من ثلاث سنوات كمؤسس إسباني في وادي السيليكون. لماذا قد يمتد مبلغ 2.1 مليون دولار إلى أبعد مما يبدو بالنسبة لشركة ناشئة في مجال الذكاء الاصطناعي؟ عند 2.1 مليون دولار، تعد هذه جولة صغيرة عن عمد لشركة تبيع إلى مؤسسات كبيرة ذات دورات شراء طويلة للغاية. يقول جارا مونتيس إن الأمر يذهب إلى أبعد مما يبدو لأسباب هيكلية. وقال: \"نحن نستفيد من أوروبا كمركز للمواهب التقنية، حيث لدينا شبكة عميقة من المهندسين الاستثنائيين - الأشخاص الذين يرغبون في العمل على حدود الذكاء الاصطناعي ولكن لديهم فرص أقل بكثير للقيام بذلك من نظرائهم الأمريكيين\". \"نحن لسنا مجرد هزيلين - لقد تم تصميمنا للتفوق على كفاءة رأس المال بينما يبذل الآخرون قصارى جهدهم في محاولة التوظيف في سان فرانسيسكو.\" تم تصميم حركة الذهاب إلى السوق من أجل سرعة تحقيق الإيرادات. يتم تحديد نطاق إثباتات القيمة وتحديدها زمنيًا وتحويلها إلى شراكات مدفوعة الأجر. تقول الشركة إنها لا تقوم بتشغيل دورات مبيعات مؤسسية مدتها 18 شهرًا قبل رؤية الدولار. إن المعلم الرئيسي للزيادة التالية واضح: المزيد من العملاء الذين يدفعون، وإيرادات سنوية متكررة أقوى بشكل ملحوظ، وحركة مبيعات متكررة تجعل جولة البذور، كما قال جارا مونتيس، \"محادثة واضحة\". وبالنظر إلى المستقبل، حدد هدفًا طموحًا مدته ثلاث سنوات: تدير 20 إلى 30 مؤسسة صناعية كبيرة في الولايات المتحدة وأوروبا Traza عبر عمليات الشراء الخاصة بها، مع تدفق أكثر من مليار دولار من إنفاق المشتريات عبر المنصة. تعتمد إمكانية تحقيق هذه الرؤية على عدة متغيرات متشابكة - السرعة التي تستمر بها قدرات وكيل الذكاء الاصطناعي في التحسن، وسرعة اعتماد المؤسسات في شريحة المشترين المحافظة تقليديًا، وقدرة Traza على التغلب على التحدي التنافسي للشركات القائمة التي تضيف ميزات الذكاء الاصطناعي والشركات الناشئة الممولة جيدًا التي تهاجم سير العمل المجاور. لكن الرياضيات الأساسية قد تكون في جانب ترازا. في مجال المشتريات، الأموال التي تختفي لا تبدو وكأنها هدر. فهو يختفي في حالة عدم الكفاءة، والالتزامات الضائعة، والمخاطر غير المُدارة، والالتزامات المنسية ــ ذلك النوع من الخسائر الصامتة التي لا يتتبعها أحد لأنه لا أحد لديه النطاق الترددي لتتبعها. تنتهي الولاية التقليدية للمشتريات، بصيغتها الحالية، حيث تبدأ فجوة القيمة: عند التوقيع. تقوم Traza ببناء قوة عاملة تعمل بالذكاء الاصطناعي والتي تستأنف العمل من حيث توقف البشر. بالنسبة لصناعة أمضت عقودًا من الزمن تخسر 55 مليون دولار في المرة الواحدة لصالح المكتب الخلفي، لا أحد يراقبها، فقد يكون هذا هو بالضبط ما يحدث نقطة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/15\/1135530\/building-trust-in-the-ai-era-with-privacy-led-ux\/",
            "title_en": "Building trust in the AI era with privacy-led UX",
            "summary_en": "The practice of privacy-led user experience (UX) is a design philosophy that treats transparency around data collection and usage as an integral part of the customer relationship. An undertapped opportunity in digital marketing, privacy-led UX treats user consent not as a tick-box compliance exercise, but rather as the first overture in an ongoing customer relationship. For the companies that get it right, the payoff can bring something more intangible, valuable, and durable than simple consent rates: consumer trust. The opportunities of privacy-led UX have only recently come into focus. Adelina Peltea, the chief marketing officer at Usercentrics, has seen enterprise sentiment shift: “Even just a few years ago, this space was viewed more as a trade-off between growth and compliance,” she s",
            "body_en": "The practice of privacy-led user experience (UX) is a design philosophy that treats transparency around data collection and usage as an integral part of the customer relationship. An undertapped opportunity in digital marketing, privacy-led UX treats user consent not as a tick-box compliance exercise, but rather as the first overture in an ongoing customer relationship. For the companies that get it right, the payoff can bring something more intangible, valuable, and durable than simple consent rates: consumer trust. The opportunities of privacy-led UX have only recently come into focus. Adelina Peltea, the chief marketing officer at Usercentrics, has seen enterprise sentiment shift: “Even just a few years ago, this space was viewed more as a trade-off between growth and compliance,” she says. “But as the market has matured, there’s been a greater focus on how to tie well-designed privacy experiences to business growth.” DOWNLOAD THE REPORT And it turns out that well-designed, value-forward consent experiences routinely outperform initial estimates. Touchpoints for privacy-led UX often include consent management platforms, terms and conditions, privacy policies, data subject access request (DSAR) tools, and, increasingly, AI data use disclosures. This report examines how data transparency builds trust with customers; how this, in turn, can support business performance; and how organizations can maintain this trust even as AI systems add complexity to consent processes. Key findings include the following: Privacy is evolving from a one-time consent transaction into an ongoing data relationship. Rather than asking users for broad permissions up front, leading organizations are introducing data-sharing decisions gradually, matching the depth of the ask to the stage of the customer relationship. Companies that take this tack tend to gather both a larger quantity and higher quality of consumer data, the value of which often compounds over time. Privacy-led UX is a prerequisite for AI growth. The consumer data that organizations gather is rapidly becoming a core foundation upon which AI-powered personalization is built. Organizations that establish clear, enforceable privacy and data transparency policies now are better positioned to deploy AI responsibly and at scale in the future. This starts with correctly configured consent mode across ad platforms. Agentic AI introduces new levels of both complexity and opportunity. As AI systems begin acting on users’ behalf, the traditional consent moment may never occur. Governing agent-generated data flows requires privacy infrastructure that goes well beyond the cookie banner. Realizing the advantages of privacy-led UX requires cross-functional collaboration and clear leadership. Privacy-led UX touches marketing, product, legal, and data teams—but someone must own the strategy and weave the threads together. Chief marketing officers (CMOs) are often best positioned for that role, given their visibility across brand, data, and customer experience. A practical framework can support businesses in getting it right. Organizations must define their data collection and usage strategies and ensure their UX incorporates data consent, including a focus on banner design. Following a blueprint for evaluating and improving privacy-led UX supports consistency at every consent touchpoint. Download the report. This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/MITTR-Usercentrics-report-cover.png?w=1555",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/15\/1135530\/building-trust-in-the-ai-era-with-privacy-led-ux\/",
            "date": "2026-04-15",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "بناء الثقة في عصر الذكاء الاصطناعي من خلال تجربة المستخدم التي تعتمد على الخصوصية",
            "summary_ar": "إن ممارسة تجربة المستخدم التي تعتمد على الخصوصية (UX) هي فلسفة تصميم تتعامل مع الشفافية حول جمع البيانات واستخدامها كجزء لا يتجزأ من العلاقة مع العملاء. باعتبارها فرصة غير مستغلة في التسويق الرقمي، فإن تجربة المستخدم التي تعتمد على الخصوصية تتعامل مع موافقة المستخدم ليس كتمرين امتثال لمربع الاختيار، بل كأول عرض في علاقة مستمرة مع العميل. بالنسبة للشركات التي تقوم بالأمر على النحو الصحيح، فإن المردود يمكن أن يجلب شيئًا غير ملموس وقيمة ودائمًا أكثر من معدلات الموافقة البسيطة: ثقة المستهلك. لم يتم التركيز على فرص تجربة المستخدم التي تعتمد على الخصوصية إلا مؤخرًا. شهدت أديلينا بيلتيا، كبيرة مسؤولي التسويق في شركة Usercentrics، تحولاً في معنويات الشركات: \"حتى قبل بضع سنوات فقط، كان يُنظر إلى هذا المجال على أنه مقايضة بين النمو والامتثال\".",
            "body_ar": "إن ممارسة تجربة المستخدم التي تعتمد على الخصوصية (UX) هي فلسفة تصميم تتعامل مع الشفافية حول جمع البيانات واستخدامها كجزء لا يتجزأ من العلاقة مع العملاء. باعتبارها فرصة غير مستغلة في التسويق الرقمي، فإن تجربة المستخدم التي تعتمد على الخصوصية تتعامل مع موافقة المستخدم ليس كتمرين امتثال لمربع الاختيار، بل كأول عرض في علاقة مستمرة مع العميل. بالنسبة للشركات التي تقوم بالأمر على النحو الصحيح، فإن المردود يمكن أن يجلب شيئًا غير ملموس وقيمة ودائمًا أكثر من معدلات الموافقة البسيطة: ثقة المستهلك. لم يتم التركيز على فرص تجربة المستخدم التي تعتمد على الخصوصية إلا مؤخرًا. شهدت أديلينا بيلتيا، كبيرة مسؤولي التسويق في شركة Usercentrics، تحولاً في معنويات الشركات: \"حتى قبل بضع سنوات فقط، كان يُنظر إلى هذا المجال على أنه مقايضة بين النمو والامتثال\"، كما تقول. \"ولكن مع نضوج السوق، أصبح هناك تركيز أكبر على كيفية ربط تجارب الخصوصية المصممة جيدًا بنمو الأعمال.\" قم بتنزيل التقرير وقد تبين أن تجارب الموافقة الجيدة التصميم وذات القيمة المتقدمة تتفوق بشكل روتيني على التقديرات الأولية. غالبًا ما تتضمن نقاط الاتصال لتجربة المستخدم التي تعتمد على الخصوصية منصات إدارة الموافقة، والشروط والأحكام، وسياسات الخصوصية، وأدوات طلب الوصول إلى موضوع البيانات (DSAR)، وبشكل متزايد، عمليات الكشف عن استخدام بيانات الذكاء الاصطناعي. يتناول هذا التقرير كيفية بناء الثقة مع العملاء من خلال شفافية البيانات؛ وكيف يمكن لهذا بدوره أن يدعم أداء الأعمال؛ وكيف يمكن للمؤسسات الحفاظ على هذه الثقة حتى عندما تضيف أنظمة الذكاء الاصطناعي تعقيدًا إلى عمليات الموافقة. تتضمن النتائج الرئيسية ما يلي: تتطور الخصوصية من معاملة موافقة لمرة واحدة إلى علاقة بيانات مستمرة. بدلاً من مطالبة المستخدمين بأذونات واسعة النطاق مقدماً، تقدم المؤسسات الرائدة قرارات مشاركة البيانات تدريجياً، بما يتناسب مع عمق الطلب مع مرحلة العلاقة مع العميل. تميل الشركات التي تتخذ هذا المسار إلى جمع كمية أكبر وجودة أعلى من بيانات المستهلك، والتي غالبًا ما تتضاعف قيمتها بمرور الوقت. تعد تجربة المستخدم التي تعتمد على الخصوصية شرطًا أساسيًا لنمو الذكاء الاصطناعي. أصبحت بيانات المستهلك التي تجمعها المؤسسات بسرعة أساسًا أساسيًا يتم بناء التخصيص المدعوم بالذكاء الاصطناعي عليه. إن المؤسسات التي تضع سياسات واضحة وقابلة للتنفيذ للخصوصية وشفافية البيانات أصبحت الآن في وضع أفضل لنشر الذكاء الاصطناعي بشكل مسؤول وعلى نطاق واسع في المستقبل. يبدأ هذا بوضع الموافقة الذي تم تكوينه بشكل صحيح عبر منصات الإعلانات. يقدم Agentic AI مستويات جديدة من التعقيد والفرص. عندما تبدأ أنظمة الذكاء الاصطناعي في التصرف نيابة عن المستخدمين، فقد لا تحدث لحظة الموافقة التقليدية أبدًا. تتطلب إدارة تدفقات البيانات التي ينشئها الوكيل بنية أساسية للخصوصية تتجاوز شعار ملفات تعريف الارتباط. يتطلب تحقيق مزايا تجربة المستخدم التي تعتمد على الخصوصية تعاونًا متعدد الوظائف وقيادة واضحة. تمس تجربة المستخدم التي تعتمد على الخصوصية فرق التسويق والمنتجات والشؤون القانونية والبيانات، ولكن يجب أن يمتلك شخص ما الإستراتيجية وينسج الخيوط معًا. غالبًا ما يكون كبار مسؤولي التسويق (CMOs) في وضع أفضل لهذا الدور، نظرًا لظهورهم عبر العلامة التجارية والبيانات وتجربة العملاء. يمكن للإطار العملي أن يدعم الشركات في القيام بذلك بشكل صحيح. يجب على المؤسسات تحديد استراتيجيات جمع البيانات واستخدامها والتأكد من أن تجربة المستخدم الخاصة بها تتضمن موافقة على البيانات، بما في ذلك التركيز على تصميم الشعارات. إن اتباع مخطط لتقييم وتحسين تجربة المستخدم التي تعتمد على الخصوصية يدعم الاتساق في كل نقطة اتصال للموافقة. قم بتنزيل التقرير. تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي ​​تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/14\/1134397\/redefining-the-future-of-software-engineering\/",
            "title_en": "Redefining the future of software engineering",
            "summary_en": "Software engineering has experienced two seismic shifts this century. First was the rise of the open source movement, which gradually made code accessible to developers and engineers everywhere. Second, the adoption of development operations (DevOps) and agile methodologies took software from siloed to collaborative development and from batch to continuous delivery. Now, a third such shift looks to be taking shape with the adoption of agentic AI in software engineering. Thus far, engineering teams have mainly used AI to assist with coding, testing, and other individual tasks, within tightly designed parameters. But with agentic capabilities, AI agents become reasoning, self-directing entities that can manage not just discrete tasks but entire software projects—and do so largely autonomousl",
            "body_en": "Software engineering has experienced two seismic shifts this century. First was the rise of the open source movement, which gradually made code accessible to developers and engineers everywhere. Second, the adoption of development operations (DevOps) and agile methodologies took software from siloed to collaborative development and from batch to continuous delivery. Now, a third such shift looks to be taking shape with the adoption of agentic AI in software engineering. Thus far, engineering teams have mainly used AI to assist with coding, testing, and other individual tasks, within tightly designed parameters. But with agentic capabilities, AI agents become reasoning, self-directing entities that can manage not just discrete tasks but entire software projects—and do so largely autonomously. If adopted and fully embraced by engineering teams, agentic AI will usher in end-to-end software process automation and, ultimately, agent-managed development and product lifecycle automation. DOWNLOAD THE REPORT This report, which is based on a survey of 300 engineering and technology executives, finds that software engineering teams are seeing the potential in agentic AI and are beginning to put it to use, but so far in a mainly limited fashion. Their ambitions for it are high, but most realize it will take time and effort to reduce the barriers to its full diffusion in software operations. As with DevOps and agile, reaping the full benefits of agentic AI in engineering will require sometimes difficult organizational and process change to accompany technology adoption. But the gains to be won in speed, efficiency, and quality promise to make any such pain well worthwhile. Key findings include the following: Adoption momentum is building. While half of organizations deem agentic AI a top investment priority for software engineering today, it will be a leading investment for over four-fifths in two years. That spending is driving accelerated adoption. Agentic AI is in (mostly limited) use by 51% of software teams today, and 45% have plans to adopt it within the next 12 months. Early gains will be incremental. It will take time for software teams’ investments in agentic AI to start bearing fruit. Over the next two years, most expect the improvements from agent use to be slight (14%) or at best moderate (52%). But around one-third (32%) have higher expectations, and 9% think the improvements will be game changing. Agents will accelerate time-to-market. The chief gains from agentic AI use over that two-year time frame will come from greater speed. Nearly all respondents (98%) expect their teams’ delivery of software projects from pilot to production to accelerate, with the anticipated increase in speed averaging 37% across the group. The goal for most is full agentic lifecycle management. Teams’ ambitions for scaling agentic AI are high. Most aim for AI agents to be managing the product development and software development lifecycles (PDLC and SDLC) end to end relatively quickly. At 41% of organizations, teams aim to achieve this for most or all products in 18 months. That figure will rise to 72% two years from now, if expectations are met. Compute costs and integration pose key early challenges. For all survey respondents—but especially in early-adopter verticals such as media and entertainment and technology hardware—integrating agents with existing applications and the cost of computing resources are the main challenges they face with agentic AI in software engineering. The experts we interviewed, meanwhile, emphasize the bigger change management difficulties teams will face in changing workflows. Download the report This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/03\/MITTR-Softserve-report.cover_.png?w=1555",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/14\/1134397\/redefining-the-future-of-software-engineering\/",
            "date": "2026-04-14",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "إعادة تعريف مستقبل هندسة البرمجيات",
            "summary_ar": "شهدت هندسة البرمجيات تحولين جذريين في هذا القرن. كان الأول هو ظهور حركة المصادر المفتوحة، والتي جعلت التعليمات البرمجية تدريجيًا في متناول المطورين والمهندسين في كل مكان. ثانيًا، أدى اعتماد عمليات التطوير (DevOps) والمنهجيات الرشيقة إلى نقل البرامج من التطوير المنعزل إلى التطوير التعاوني ومن الدفعة إلى التسليم المستمر. والآن، يبدو أن هناك تحولًا ثالثًا من هذا القبيل يتشكل مع اعتماد الذكاء الاصطناعي الوكيل في هندسة البرمجيات. حتى الآن، استخدمت الفرق الهندسية الذكاء الاصطناعي بشكل أساسي للمساعدة في البرمجة والاختبار والمهام الفردية الأخرى، ضمن معايير مصممة بإحكام. ولكن مع القدرات الوكيلة، يصبح وكلاء الذكاء الاصطناعي كيانات منطقية ذاتية التوجيه يمكنها ليس فقط إدارة المهام المنفصلة ولكن أيضًا مشاريع البرامج بأكملها - وتفعل ذلك إلى حد كبير مستقل",
            "body_ar": "شهدت هندسة البرمجيات تحولين جذريين في هذا القرن. كان الأول هو ظهور حركة المصادر المفتوحة، والتي جعلت التعليمات البرمجية تدريجيًا في متناول المطورين والمهندسين في كل مكان. ثانيًا، أدى اعتماد عمليات التطوير (DevOps) والمنهجيات الرشيقة إلى نقل البرامج من التطوير المنعزل إلى التطوير التعاوني ومن الدفعة إلى التسليم المستمر. والآن، يبدو أن هناك تحولًا ثالثًا من هذا القبيل يتشكل مع اعتماد الذكاء الاصطناعي الوكيل في هندسة البرمجيات. حتى الآن، استخدمت الفرق الهندسية الذكاء الاصطناعي بشكل أساسي للمساعدة في البرمجة والاختبار والمهام الفردية الأخرى، ضمن معايير مصممة بإحكام. ولكن مع القدرات الوكيلة، يصبح وكلاء الذكاء الاصطناعي كيانات منطقية ذاتية التوجيه يمكنها ليس فقط إدارة المهام المنفصلة ولكن مشاريع البرامج بأكملها - وتفعل ذلك بشكل مستقل إلى حد كبير. إذا تم اعتماده واحتضانه بالكامل من قبل الفرق الهندسية، فإن الذكاء الاصطناعي الوكيل سوف يبشر بأتمتة عملية البرامج الشاملة، وفي نهاية المطاف، التطوير المُدار من قبل الوكيل وأتمتة دورة حياة المنتج. قم بتنزيل التقرير، ويخلص هذا التقرير، الذي يستند إلى دراسة استقصائية شملت 300 من المديرين التنفيذيين في مجال الهندسة والتكنولوجيا، إلى أن فرق هندسة البرمجيات ترى إمكانات الذكاء الاصطناعي الوكيل وبدأت في استخدامه، ولكن حتى الآن بطريقة محدودة بشكل أساسي. طموحاتهم كبيرة، لكن معظمهم يدركون أن الأمر سيستغرق وقتًا وجهدًا لتقليل العوائق التي تحول دون انتشاره الكامل في العمليات البرمجية. كما هو الحال مع DevOps وAgile، فإن جني الفوائد الكاملة للذكاء الاصطناعي الوكيل في الهندسة سيتطلب أحيانًا تغييرًا تنظيميًا وعمليًا صعبًا لمرافقة اعتماد التكنولوجيا. لكن المكاسب التي يمكن تحقيقها في السرعة والكفاءة والجودة تجعل أي ألم من هذا القبيل جديراً بالاهتمام. وتشمل النتائج الرئيسية ما يلي: تزايد زخم التبني. في حين أن نصف المؤسسات تعتبر الذكاء الاصطناعي الوكيل أولوية استثمارية قصوى لهندسة البرمجيات اليوم، فإنه سيكون استثمارًا رائدًا لأكثر من أربعة أخماس في غضون عامين. يؤدي هذا الإنفاق إلى تسريع التبني. يتم استخدام Agentic AI (بشكل محدود في الغالب) من قبل 51% من فرق البرمجيات اليوم، و45% منهم لديهم خطط لاعتماده خلال الـ 12 شهرًا القادمة. المكاسب المبكرة ستكون تدريجية. سوف يستغرق الأمر بعض الوقت حتى تبدأ استثمارات فرق البرمجيات في الذكاء الاصطناعي الوكيل في أن تؤتي ثمارها. على مدى العامين المقبلين، يتوقع معظمهم أن تكون التحسينات الناجمة عن استخدام العوامل طفيفة (14٪) أو معتدلة في أحسن الأحوال (52٪). لكن حوالي الثلث (32%) لديهم توقعات أعلى، ويعتقد 9% أن التحسينات ستغير قواعد اللعبة. سوف يقوم الوكلاء بتسريع وقت الوصول إلى السوق. إن المكاسب الرئيسية من الاستخدام الفعال للذكاء الاصطناعي خلال الإطار الزمني المحدد بسنتين ستأتي من السرعة الأكبر. ويتوقع جميع المشاركين تقريباً (98%) أن تتسارع وتيرة تسليم فرقهم للمشاريع البرمجية من المرحلة التجريبية إلى مرحلة الإنتاج، مع توقع زيادة في السرعة تبلغ في المتوسط ​​37% في جميع أنحاء المجموعة. الهدف بالنسبة لمعظم الناس هو إدارة دورة حياة الوكيل الكاملة. إن طموحات الفرق في توسيع نطاق الذكاء الاصطناعي الوكيل عالية. يهدف معظمهم إلى أن يقوم وكلاء الذكاء الاصطناعي بإدارة تطوير المنتجات ودورات حياة تطوير البرامج (PDLC وSDLC) من النهاية إلى النهاية بسرعة نسبية. في 41% من المؤسسات، تهدف الفرق إلى تحقيق ذلك لمعظم المنتجات أو جميعها خلال 18 شهرًا. وسوف يرتفع هذا الرقم إلى 72% بعد عامين من الآن، إذا تحققت التوقعات. تشكل تكاليف الحوسبة والتكامل تحديات مبكرة رئيسية. بالنسبة لجميع المشاركين في الاستطلاع - وخاصة في القطاعات التي اعتمدت مبكرًا مثل وسائل الإعلام والترفيه وأجهزة التكنولوجيا - فإن دمج الوكلاء مع التطبيقات الحالية وتكلفة موارد الحوسبة هي التحديات الرئيسية التي يواجهونها مع الذكاء الاصطناعي الوكيل في هندسة البرمجيات. وفي الوقت نفسه، أكد الخبراء الذين قابلناهم على الصعوبات الأكبر في إدارة التغيير التي ستواجهها الفرق في تغيير سير العمل. تنزيل التقرير تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي ​​تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/anthropics-claude-managed-agents-gives-enterprises-a-new-one-stop-shop-but",
            "title_en": "Anthropic’s Claude Managed Agents gives enterprises a new one-stop shop but raises vendor 'lock-in' risk",
            "summary_en": "Anthropic announced a new platform last week, Claude Managed Agents , aiming to cut out the more complex parts of AI agent deployment for enterprises and competes with existing orchestration frameworks. Claude Managed Agents is also an architectural shift: enterprises, already burdened with orchestrating an increasing number of agents, can now choose to embed the orchestration logic in the AI model layer . While this comes with some potential advantages, such as speed (Anthropic proposes its customers can deploy agents in days instead of weeks or months), it also, of course, then also turns more control over the enterprise's AI agent deployments and operations to the model provider — in this case, Anthropic — potentially resulting in greater \"lock in\" for the enterprise customer, leav",
            "body_en": "Anthropic announced a new platform last week, Claude Managed Agents , aiming to cut out the more complex parts of AI agent deployment for enterprises and competes with existing orchestration frameworks. Claude Managed Agents is also an architectural shift: enterprises, already burdened with orchestrating an increasing number of agents, can now choose to embed the orchestration logic in the AI model layer . While this comes with some potential advantages, such as speed (Anthropic proposes its customers can deploy agents in days instead of weeks or months), it also, of course, then also turns more control over the enterprise's AI agent deployments and operations to the model provider — in this case, Anthropic — potentially resulting in greater \"lock in\" for the enterprise customer, leaving them more subject to Anthropic's terms, conditions, and any subsequent platform changes. But maybe that is worth it for your enterprise, as Anthropic further claims that its platform “handles the complexity” by letting users define agent tasks, tools and guardrails with a built-in orchestration harness, all without the need for sandboxing code execution, checkpointing, credential management, scoped permissions and end-to-end tracing. The framework manages state, execution graphs and routing and brings managed agents to a vendor-controlled runtime loop. Even before the release of Claude Managed Agents, new directional VentureBeat research showed that Anthropic was gaining traction at the orchestration level as enterprises adopted its native tooling. Claude Managed Agents represents a new attempt by the firm to widen its footprint as the orchestration method of choice for organizations. Anthropic is surging in orchestration interest Orchestration has emerged as an important segment for enterprises to address as they scale AI systems and deploy agentic workflows. VentureBeat directional research of several dozen firms for the first quarter of 2026 found that enterprises mostly chose existing frameworks, such as Microsoft’s Copilot Studio\/Azure AI Studio, with 38.6% of respondents in February reporting using Microsoft’s platform. VentureBeat surveyed 56 organizations with more than 100 employees in January and 70 in February. OpenAI closely followed at 25.7%. Both showed strong growth between the first two months of the year. Anthropic, driven by increased interest in its offerings, such as Claude Code, over the past year, is putting up a fight. Adoption of the Anthropic tool-use and workflows API increased from 0% to 5.7% between January and February. This tracks closely with the growing adoption of Anthropic’s foundation models, showing that enterprises using Claude turn to the company’s native orchestration tooling instead of adding a third-party framework. While VentureBeat surveyed before the launch of Claude Managed Agents, we can extrapolate that the new tool will build on that growth, especially if it promises a more straightforward way to deploy agents. Collapsing the external orchestration layer Enterprises may find that a streamlined, internal harness for agents compelling, but it does mean giving up certain controls. Session data is stored in a database managed by Anthropic, increasing the risk that enterprises become locked into a system run by a single company. This may be less desirable for some firms and compete with their desires to move away from the locked-in software-as-a-service (SaaS) applications in the current stacks, which many hope that AI will facilitate. The specter of vendor lock-in means agent execution becomes more model-driven rather than direct by the organization, happens in an environment enterprises don’t fully control, and behavior becomes harder to guarantee. It also opens the possibility of giving agents conflicting instructions, especially if the only way for users to exert any control over agents is to prompt them with more context. Agents could have two control planes: one defined by the enterprises’ orchestration system through instructions and the other as an embedded skill from the Claude runtime. This could pose an issue for highly sensitive and regulated workflows, such as financial analysis or customer-facing tasks. Pricing, control and competitive set Balancing control with ease is one thing; enterprises also consider the cost structure of Claude Managed Agents. Claude Managed Agents introduces a hybrid pricing model that blends token-based billing with a usage-based runtime fee. This makes Managed Agets more dynamic, though less predictable, when determining cost structures. Enterprises will be charged a standard rate of $0.08 per hour when agents are actively running. For example, at $0.70 per hour, a one-hour session could cost up to $37 to process 10,000 support tickets, depending on how long each agent runs and how many steps it takes to complete a task. Microsoft, currently the leader according to VentureBeat's directional survey, offers several orchestration offerings. Copilot Studio uses a capacity-based billing structure, so enterprises pay for blocks of interactions between users and agents rather than the number of steps an agent takes. Microsoft's approach tends to be more predictable than Anthropic's pricing plan: Copilot Studio starts at $200 per month for 25,000 messages. Compared to similar competitors like OpenAI's Agents SDK, the picture becomes murky. Agents SDK is technically free to use as an open-source project. However, OpenAI bills for the underlying API usage . Agents built and orchestration with Agents SDK using GPT-5.4, for example, will cost $2.50 per 1 million input tokens and $15 per 1 million output tokens. The enterprise decision Claude Managed Agents does give enterprises who find the actual deployment of production agents too complicated a reprieve. It reduces their engineering overhead while adding speed and simplicity in a fast-changing enterprise environment. But that comes with a choice: lose control, observability and portability and risk further vendor lock-in. Anthropic just made a case for why its ecosystem is becoming not just the foundation model of choice for enterprises, but also the orchestration infrastructure. It becomes more imperative for enterprises to balance ease with lesser control.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/1fKuGA9n3RlokiEFHb1eSO\/f1e85403250c2347f81bf28a127a6a50\/crimedy7_illustration_of_ai_vendor_lock-in_abstrack_--ar_169__b11f785c-c6f8-40fd-aa62-9dd0fa6adc03_0.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/anthropics-claude-managed-agents-gives-enterprises-a-new-one-stop-shop-but",
            "date": "2026-04-14",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يوفر Claude Managed Agents من Anthropic للمؤسسات مركزًا شاملاً جديدًا ولكنه يزيد من مخاطر \"تقييد\" البائع",
            "summary_ar": "أعلنت Anthropic عن منصة جديدة الأسبوع الماضي، Claude Managed Agents، تهدف إلى قطع الأجزاء الأكثر تعقيدًا لنشر وكيل الذكاء الاصطناعي للمؤسسات وتتنافس مع أطر التنسيق الحالية. يمثل Claude Managed Agents أيضًا تحولًا معماريًا: فالمؤسسات، المثقلة بالفعل بتنسيق عدد متزايد من الوكلاء، يمكنها الآن اختيار تضمين منطق التنسيق في طبقة نموذج الذكاء الاصطناعي. في حين أن هذا يأتي مع بعض المزايا المحتملة، مثل السرعة (تقترح Anthropic أن يتمكن عملاؤها من نشر الوكلاء في أيام بدلاً من أسابيع أو أشهر)، فإنه أيضًا، بالطبع، يقوم أيضًا بتحويل المزيد من التحكم في عمليات نشر وعمليات وكيل الذكاء الاصطناعي للمؤسسة إلى موفر النموذج - في هذه الحالة، Anthropic - مما قد يؤدي إلى \"قفل\" أكبر لعميل المؤسسة. غادر",
            "body_ar": "أعلنت Anthropic عن منصة جديدة الأسبوع الماضي، Claude Managed Agents، تهدف إلى قطع الأجزاء الأكثر تعقيدًا لنشر وكيل الذكاء الاصطناعي للمؤسسات وتتنافس مع أطر التنسيق الحالية. يمثل Claude Managed Agents أيضًا تحولًا معماريًا: فالمؤسسات، المثقلة بالفعل بتنسيق عدد متزايد من الوكلاء، يمكنها الآن اختيار تضمين منطق التنسيق في طبقة نموذج الذكاء الاصطناعي. في حين أن هذا يأتي مع بعض المزايا المحتملة، مثل السرعة (تقترح Anthropic أن يتمكن عملاؤها من نشر الوكلاء في أيام بدلاً من أسابيع أو أشهر)، فإنه أيضًا، بالطبع، يحول أيضًا المزيد من التحكم في عمليات نشر وعمليات وكيل الذكاء الاصطناعي للمؤسسة إلى موفر النموذج - في هذه الحالة، Anthropic - مما قد يؤدي إلى \"قفل\" أكبر لعميل المؤسسة، مما يجعلهم أكثر عرضة لشروط وأحكام Anthropic وأي تغييرات لاحقة في النظام الأساسي. ولكن ربما يكون الأمر يستحق ذلك بالنسبة لمؤسستك، حيث تدعي Anthropic أيضًا أن منصتها \"تتعامل مع التعقيد\" من خلال السماح للمستخدمين بتحديد مهام الوكيل والأدوات وحواجز الحماية باستخدام أداة تنسيق مدمجة، كل ذلك دون الحاجة إلى تنفيذ تعليمات برمجية لوضع الحماية، وفحص التفتيش، وإدارة بيانات الاعتماد، والأذونات المحددة النطاق، والتتبع الشامل. يدير إطار العمل الحالة والرسوم البيانية للتنفيذ والتوجيه ويجلب الوكلاء المُدارين إلى حلقة وقت التشغيل التي يتحكم فيها البائع. حتى قبل إصدار Claude Managed Agents، أظهرت أبحاث VentureBeat الاتجاهية الجديدة أن Anthropic كانت تكتسب قوة جذب على مستوى التنسيق مع اعتماد المؤسسات لأدواتها الأصلية. يمثل Claude Managed Agents محاولة جديدة من قبل الشركة لتوسيع نطاق حضورها كطريقة التنسيق المفضلة للمؤسسات. الإنسانية تتزايد في الاهتمام بالتنسيق لقد برزت عملية التنسيق كقطاع مهم يجب على المؤسسات معالجته أثناء قيامها بتوسيع نطاق أنظمة الذكاء الاصطناعي ونشر سير العمل الوكيل. وجدت أبحاث VentureBeat التوجيهية التي أجريت على عشرات الشركات في الربع الأول من عام 2026 أن المؤسسات اختارت في الغالب أطر العمل الحالية، مثل Copilot Studio\/Azure AI Studio من Microsoft، حيث أفاد 38.6% من المشاركين في فبراير أنهم يستخدمون منصة Microsoft. قام VentureBeat باستطلاع آراء 56 منظمة تضم أكثر من 100 موظف في يناير و70 في فبراير. تبعتها شركة OpenAI عن كثب بنسبة 25.7%. وأظهر كلاهما نموا قويا بين الشهرين الأولين من العام. إن شركة Anthropic، مدفوعة بالاهتمام المتزايد بعروضها، مثل Claude Code، خلال العام الماضي، تخوض معركة. ارتفع اعتماد واجهة برمجة التطبيقات (API) لاستخدام الأدوات وسير العمل من 0% إلى 5.7% بين يناير وفبراير. يتتبع هذا بشكل وثيق مع الاعتماد المتزايد للنماذج الأساسية لشركة Anthropic، مما يوضح أن المؤسسات التي تستخدم Claude تتجه إلى أدوات التنسيق الأصلية للشركة بدلاً من إضافة إطار عمل تابع لجهة خارجية. في حين تم استطلاع رأي VentureBeat قبل إطلاق Claude Managed Agents، يمكننا استنتاج أن الأداة الجديدة ستعتمد على هذا النمو، خاصة إذا كانت تعد بطريقة أكثر وضوحًا لنشر الوكلاء. انهيار طبقة التنسيق الخارجية قد تجد الشركات أن هناك أداة داخلية مبسطة للوكلاء مقنعة، ولكنها تعني التخلي عن ضوابط معينة. يتم تخزين بيانات الجلسة في قاعدة بيانات تديرها Anthropic، مما يزيد من خطر أن تصبح المؤسسات مقيدة بنظام تديره شركة واحدة. قد يكون هذا غير مرغوب فيه بالنسبة لبعض الشركات ويتنافس مع رغباتها في الابتعاد عن تطبيقات البرمجيات كخدمة (SaaS) في الحزم الحالية، والتي يأمل الكثيرون أن يسهلها الذكاء الاصطناعي. إن شبح تقييد البائع يعني أن تنفيذ الوكيل يصبح أكثر توجهاً نحو النموذج بدلاً من أن يكون مباشراً من قبل المنظمة، ويحدث في بيئة لا تتحكم فيها المؤسسات بشكل كامل، ويصبح من الصعب ضمان السلوك. كما أنه يفتح إمكانية إعطاء الوكلاء تعليمات متضاربة، خاصة إذا كانت الطريقة الوحيدة للمستخدمين لممارسة أي سيطرة على الوكلاء هي حثهم بمزيد من السياق. يمكن أن يكون لدى الوكلاء طائرتان للتحكم: واحدة يتم تحديدها بواسطة نظام التنسيق الخاص بالمؤسسات من خلال التعليمات والأخرى كمهارة مضمنة من وقت تشغيل Claude. وقد يشكل هذا مشكلة بالنسبة لسير العمل شديد الحساسية والتنظيم، مثل التحليل المالي أو المهام التي تواجه العملاء. التسعير والتحكم ومجموعة تنافسية إن موازنة التحكم بسهولة شيء واحد؛ تأخذ الشركات أيضًا في الاعتبار هيكل تكلفة وكلاء Claude Managed Agents. يقدم Claude Managed Agents نموذج تسعير مختلط يمزج بين الفواتير المستندة إلى الرمز المميز ورسوم وقت التشغيل المستندة إلى الاستخدام. وهذا يجعل العناصر المُدارة أكثر ديناميكية، على الرغم من أنها أقل قابلية للتنبؤ بها، عند تحديد هياكل التكلفة. سيتم فرض رسوم قياسية على المؤسسات تبلغ 0.08 دولارًا أمريكيًا في الساعة عندما يعمل الوكلاء بشكل نشط. على سبيل المثال، بسعر 0.70 دولارًا أمريكيًا للساعة، يمكن أن تكلف الجلسة التي تبلغ مدتها ساعة واحدة ما يصل إلى 37 دولارًا أمريكيًا لمعالجة 10000 تذكرة دعم، اعتمادًا على المدة التي يعمل فيها كل وكيل وعدد الخطوات التي يستغرقها لإكمال المهمة. تقدم Microsoft، الرائدة حاليًا وفقًا للمسح الاتجاهي الذي أجرته VentureBeat، العديد من عروض التنسيق. يستخدم Copilot Studio بنية فوترة قائمة على السعة، بحيث تدفع المؤسسات مقابل مجموعات من التفاعلات بين المستخدمين والوكلاء بدلاً من عدد الخطوات التي يتخذها الوكيل. يميل نهج Microsoft إلى أن يكون أكثر قابلية للتنبؤ من خطة التسعير الخاصة بـ Anthropic: يبدأ Copilot Studio بسعر 200 دولار شهريًا مقابل 25000 رسالة. بالمقارنة مع المنافسين المماثلين مثل OpenAI's Agents SDK، تصبح الصورة غامضة. Agents SDK مجاني من الناحية الفنية للاستخدام كمشروع مفتوح المصدر. ومع ذلك، تقوم OpenAI بسداد فواتير استخدام واجهة برمجة التطبيقات (API) الأساسي. على سبيل المثال، سيكلف الوكلاء الذين تم إنشاؤهم وتنسيقهم مع Agents SDK باستخدام GPT-5.4، 2.50 دولارًا أمريكيًا لكل مليون رمز إدخال و15 دولارًا أمريكيًا لكل مليون رمز مميز للمخرجات. يمنح قرار المؤسسة Claude Managed Agents الشركات التي تجد أن النشر الفعلي لوكلاء الإنتاج معقدًا للغاية إرجاءً. فهو يقلل من النفقات الهندسية العامة مع إضافة السرعة والبساطة في بيئة مؤسسية سريعة التغير. ولكن هذا يأتي مع خيار: فقدان السيطرة وإمكانية المراقبة وقابلية النقل والمخاطرة بالمزيد من تقييد البائع. لقد أوضحت شركة Anthropic للتو سبب تحول نظامها البيئي ليس فقط إلى النموذج الأساسي المفضل للمؤسسات، ولكن أيضًا إلى البنية التحتية للتنسيق. يصبح من الضروري أكثر للشركات أن توازن بين السهولة والأقل يتحكم.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/google-leaders-including-demis-hassabis-push-back-on-claim-of-uneven-ai-adoption-internally",
            "title_en": "Google leaders including Demis Hassabis push back on claim of uneven AI adoption internally",
            "summary_en": "A viral post on X from veteran programmer and former Google engineer Steve Yegge set off a rhetorical firestorm this week, drawing sharp public rebuttals from some of Google’s most prominent AI leaders and reopening a sensitive question for the company: how deeply are its own engineers really using the latest generation of AI coding tools? The debate began after Yegge summarized what he said was the view of his friend, a current and longtime Google employee (or Googler), who claimed the Gemini AI-firm's internal AI adoption looks much more ordinary and less cutting-edge than outsiders might expect. Yegge said Googler friend claimed Google engineering mirrors an “average” industry pattern of a 20%-60%-20% split: a small group of outright AI refusers (20%) a much larger middle still rel",
            "body_en": "A viral post on X from veteran programmer and former Google engineer Steve Yegge set off a rhetorical firestorm this week, drawing sharp public rebuttals from some of Google’s most prominent AI leaders and reopening a sensitive question for the company: how deeply are its own engineers really using the latest generation of AI coding tools? The debate began after Yegge summarized what he said was the view of his friend, a current and longtime Google employee (or Googler), who claimed the Gemini AI-firm's internal AI adoption looks much more ordinary and less cutting-edge than outsiders might expect. Yegge said Googler friend claimed Google engineering mirrors an “average” industry pattern of a 20%-60%-20% split: a small group of outright AI refusers (20%) a much larger middle still relying mainly on simpler chat and coding-assistant workflows (60%), and another small group of AI-first, cutting-edge engineers using agentic tools extensively and mastering them (20%). A VentureBeat search of X using its parent company’s AI assistant Grok found that Yegge’s April 13 post spread quickly, topping 4,500 likes, 205 quote posts, 458 replies and 1.9 million views as of April 14. We've reached out to Google for comment on the claims and will update when we receive a response. A veteran, oustpoken Googler voice Why did the opinion of Yegge's unnamed Googler friend land so hard? In part because Yegge is not just another commentator taking shots from the sidelines. He spent about 13 years at Google after earlier stints at Amazon and GeoWorks, later joined Grab, and then became head of engineering at Sourcegraph in 2022. He has long been known in software circles for widely read essays on programming and engineering culture, and for an earlier internal Google memo that accidentally became public in 2011 and drew broad media attention. That history helps explain why engineers and executives still take his critiques seriously, even when they reject them. Yegge has built a reputation over many years as a blunt insider-outsider voice on software culture, someone with enough standing in the industry that his judgments can travel fast, especially when they touch nerves inside big technology companies. Wikipedia’s summary of his career notes his long Google tenure and the outsized attention his blog posts and prior Google critiques have received. Unpacking Yegge's friend's argument In this case, Yegge’s argument was not simply that Google uses too little AI. It was that the company’s adoption may be uneven, culturally constrained and less transformed than its branding implies. His friend supposedly argued that some Googlers could not use Anthropic’s Claude Code because it was framed as “the enemy,” and that Gemini was not yet sufficient for the fullest agentic coding workflows. He contrasted Google with what he described as a smaller set of companies moving much faster. Pushback from Hassabis and current Googlers The first major pushback came from Demis Hassabis, the co-founder and CEO of Google DeepMind, who replied directly and forcefully . “Maybe tell your buddy to do some actual work and to stop spreading absolute nonsense. This post is completely false and just pure clickbait,” Hassabis wrote. Other Google leaders followed with lengthier defenses. Addy Osmani , a director at Google Cloud AI, wrote that Yegge’s account “doesn’t match the state of agentic coding at our company.” He added, “Over 40K SWEs use agentic coding weekly here.” Osmani said Googlers have access to internal tools and systems including “custom models, skills, CLIs and MCPs,” and pushed back on the idea that Google employees are sealed off from outside models, writing that “folks can even use @AnthropicAI’s models on Vertex” and concluding that “Google is anything but average.” Other current Google employees reinforced that message. Jaana Dogan , a software engineer at Google, wrote in a quote tweet: “Everyone I work with uses @antigravity like every second of the day,” later following up with another X post stating: \"Unpopular opinion: If you think tokens burned is a productivity metric, no one should take you seriously. Imagine you are a top 0.0001% writer and they are only counting the tokens you produce.\" Paige Bailey , a DevX engineering lead at Google DeepMind, said teams had agents “running 24\/7.” Several other Google and DeepMind figures also challenged Yegge’s characterization, some disputing the factual basis of his claims and others suggesting he lacked visibility into current internal usage. Yegge's rebuttal Yegge, for his part, did not retreat. In a follow-up to Hassabis , he wrote, “I’m not trying to misrepresent anyone,” but argued that by his own standard for advanced AI adoption, Google still does not appear to be doing especially well. He pointed to token usage and the replacement of older development habits with truly agentic workflows as the more meaningful benchmark, and said he would be willing to retract his criticism if Google could show its engineers were operating at that level. AI adoption vs. AI transformation That leaves the core dispute unresolved, but clearer. This is less a fight over whether Google engineers use AI at all than a fight over what should count as meaningful adoption. Googlers are pointing to scale, weekly usage and the availability of internal and external tools. Yegge is arguing that those measures may capture broad exposure without proving a deeper change, an AI transformation, in how engineering work gets done. The clash reflects a wider industry split between visible usage metrics and more transformative, power-user behavior. For Google, the subject is especially sensitive. Yegge has criticized the company before, including in a 2018 essay explaining why he left, where he argued Google had become too risk-averse and had lost much of its ability to innovate. If his latest critique had come from a lesser-known poster, it might have faded. Coming from a former longtime Google engineer with a record of memorable public criticism, it instead drew direct responses from some of the company’s top AI figures — and turned a single post into a broader public argument about whether Google’s AI leadership is as deep internally as it looks from the outside.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/8xVMYUcgko6r0u1PgFA16\/553af163b930a1986bd6aab9d8758bbe\/Gemini_Generated_Image_cwb2kxcwb2kxcwb2.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/google-leaders-including-demis-hassabis-push-back-on-claim-of-uneven-ai-adoption-internally",
            "date": "2026-04-14",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يعارض قادة جوجل، بما في ذلك ديميس هاسابيس، ادعاءات التبني غير المتكافئ للذكاء الاصطناعي داخليًا",
            "summary_ar": "أثار منشور واسع الانتشار على X من المبرمج المخضرم والمهندس السابق في Google Steve Yegge عاصفة خطابية هذا الأسبوع، مما أثار تفنيدات علنية حادة من بعض أبرز قادة الذكاء الاصطناعي في Google وأعاد فتح سؤال حساس للشركة: ما مدى عمق استخدام مهندسيها حقًا لأحدث جيل من أدوات تشفير الذكاء الاصطناعي؟ بدأ النقاش بعد أن لخص ييجي ما قال إنه وجهة نظر صديقه، وهو موظف حالي وقديم في Google (أو موظف Google)، والذي ادعى أن الجوزاء يبدو اعتماد الذكاء الاصطناعي الداخلي لشركة الذكاء الاصطناعي أكثر اعتيادية وأقل تطورًا مما قد يتوقعه الغرباء. قال ييجي إن صديقًا من موظفي Google ادعى أن هندسة Google تعكس نمطًا \"متوسطًا\" في الصناعة يتمثل في انقسام بنسبة 20% إلى 60% إلى 20%: مجموعة صغيرة من الرافضين الصريحين للذكاء الاصطناعي (20%) لا تزال وسطًا أكبر بكثير rel",
            "body_ar": "أثار منشور واسع الانتشار على X من المبرمج المخضرم والمهندس السابق في Google Steve Yegge عاصفة خطابية هذا الأسبوع، مما أثار تفنيدات علنية حادة من بعض أبرز قادة الذكاء الاصطناعي في Google وأعاد فتح سؤال حساس للشركة: ما مدى عمق استخدام مهندسيها حقًا لأحدث جيل من أدوات تشفير الذكاء الاصطناعي؟ بدأ النقاش بعد أن لخص ييجي ما قال إنه وجهة نظر صديقه، وهو موظف حالي وقديم في Google (أو موظف Google)، والذي ادعى أن الجوزاء يبدو اعتماد الذكاء الاصطناعي الداخلي لشركة الذكاء الاصطناعي أكثر اعتيادية وأقل تطورًا مما قد يتوقعه الغرباء. قال ييجي إن صديقًا من موظفي Google ادعى أن هندسة Google تعكس نمطًا صناعيًا \"متوسطًا\" بنسبة 20% - 60% - 20%: مجموعة صغيرة من الرافضين الصريحين للذكاء الاصطناعي (20%)، وسط أكبر بكثير لا يزال يعتمد بشكل أساسي على الدردشة الأبسط وسير عمل مساعد الترميز (60%)، ومجموعة صغيرة أخرى من المهندسين المتطورين الذين يستخدمون الذكاء الاصطناعي أولاً ويستخدمون الأدوات الوكيلة على نطاق واسع ويتقنونها (20%). وجد بحث VentureBeat عن X باستخدام مساعد الذكاء الاصطناعي Grok التابع للشركة الأم أن منشور Yegge في 13 أبريل انتشر بسرعة، حيث تجاوز 4500 إعجاب و205 منشورات اقتباس و458 ردًا و1.9 مليون مشاهدة اعتبارًا من 14 أبريل. لقد تواصلنا مع Google للتعليق على المطالبات وسنقوم بالتحديث عندما نتلقى ردًا. صوت أحد موظفي Google المخضرمين لماذا كان رأي صديق Yegge، موظف Google الذي لم يُذكر اسمه، قاسيًا جدًا؟ ويرجع ذلك جزئيًا إلى أن Yegge ليس مجرد معلق آخر يلتقط الصور من الخطوط الجانبية. أمضى حوالي 13 عامًا في Google بعد فترات سابقة في Amazon وGeoWorks، وانضم لاحقًا إلى Grab، ثم أصبح رئيسًا للهندسة في Sourcegraph في عام 2022. لقد كان معروفًا منذ فترة طويلة في دوائر البرمجيات بمقالاته المقروءة على نطاق واسع حول ثقافة البرمجة والهندسة، وبمذكرة Google الداخلية السابقة التي أصبحت علنية عن طريق الخطأ في عام 2011 ولفتت انتباه وسائل الإعلام على نطاق واسع. يساعد هذا التاريخ في تفسير سبب استمرار المهندسين والمديرين التنفيذيين في أخذ انتقاداته على محمل الجد، حتى عندما يرفضونها. لقد بنى Yegge سمعته على مدى سنوات عديدة باعتباره صوتًا صريحًا من الداخل والخارج في ثقافة البرمجيات، وشخصًا يتمتع بمكانة كافية في الصناعة بحيث يمكن لأحكامه أن تنتقل بسرعة، خاصة عندما تمس الأعصاب داخل شركات التكنولوجيا الكبرى. يشير ملخص ويكيبيديا عن حياته المهنية إلى فترة عمله الطويلة في Google والاهتمام الكبير الذي حظيت به منشوراته على مدونته وانتقاداته السابقة على Google. كشف حجة صديق ييجي في هذه الحالة، لم تكن حجة ييجي ببساطة هي أن جوجل تستخدم القليل جدًا من الذكاء الاصطناعي. كان السبب هو أن تبني الشركة قد يكون غير متساوٍ، ومقيدًا ثقافيًا، وأقل تحولًا مما توحي به علامتها التجارية. من المفترض أن صديقه جادل بأن بعض موظفي Google لا يمكنهم استخدام Anthropic's Claude Code لأنه تم تصنيفه على أنه \"العدو\"، وأن Gemini لم يكن كافيًا بعد لسير عمل التشفير الوكيل على أكمل وجه. وقارن بين جوجل وبين ما وصفه بمجموعة أصغر من الشركات التي تتحرك بشكل أسرع بكثير. رد فعل هاسابيس وموظفي جوجل الحاليين جاءت أول مقاومة كبيرة من ديميس هاسابيس، المؤسس المشارك والرئيس التنفيذي لشركة جوجل ديب مايند، الذي رد بشكل مباشر وبقوة. وكتب هاسابيس: \"ربما أخبر صديقك أن يقوم ببعض العمل الفعلي وأن يتوقف عن نشر هذا الهراء المطلق. هذا المنشور كاذب تمامًا ومجرد اصطياد\". وتبع ذلك قادة جوجل الآخرون بدفاعات أطول. كتب آدي عثماني، مدير Google Cloud AI، أن حساب Yegge \"لا يتطابق مع حالة التشفير الوكيل في شركتنا\". وأضاف: \"يستخدم أكثر من 40 ألف SWEs التشفير الوكيل أسبوعيًا هنا.\" قال عثماني إن موظفي Google لديهم إمكانية الوصول إلى الأدوات والأنظمة الداخلية بما في ذلك \"النماذج المخصصة والمهارات وCLIs وMCPs\"، ورفض فكرة أن موظفي Google معزولون عن النماذج الخارجية، وكتب أنه \"يمكن للأشخاص حتى استخدام نماذج @AnthropicAI على Vertex\" وخلص إلى أن \"Google ليست سوى شيء آخر\". متوسط.\" وقد عزز موظفون حاليون آخرون في Google هذه الرسالة. كتبت جانا دوغان، مهندسة برمجيات في جوجل، في تغريدة اقتباس: \"كل شخص أعمل معه يستخدم @antigravity مثل كل ثانية من اليوم\"، ثم تابعت لاحقًا بمنشور X آخر ينص على: \"رأي غير شعبي: إذا كنت تعتقد أن حرق الرموز هو مقياس إنتاجية، فلا ينبغي لأحد أن يأخذك على محمل الجد. تخيل أنك كاتب من أفضل 0.0001٪ وأنهم يحسبون فقط الرموز المميزة التي تنتجها.\" وقالت Paige Bailey، رئيسة هندسة DevX في Google DeepMind، إن الفرق لديها وكلاء \"يعملون على مدار الساعة طوال أيام الأسبوع\". كما طعن العديد من الشخصيات الأخرى في Google وDeepMind في توصيف Yegge، حيث شكك البعض في الأساس الواقعي لادعاءاته بينما أشار آخرون إلى أنه يفتقر إلى الرؤية في الاستخدام الداخلي الحالي. رد ييجي ييجي من جانبه لم يتراجع. وفي متابعة لهسابيس، كتب: \"أنا لا أحاول تحريف أي شخص\"، لكنه قال إنه وفقًا لمعاييره الخاصة لاعتماد الذكاء الاصطناعي المتقدم، لا يبدو أن جوجل ما زالت في حالة جيدة بشكل خاص. وأشار إلى استخدام الرمز المميز واستبدال عادات التطوير القديمة بسير عمل فعال حقًا باعتباره المعيار الأكثر أهمية، وقال إنه سيكون على استعداد للتراجع عن انتقاداته إذا تمكنت Google من إظهار أن مهندسيها يعملون على هذا المستوى. اعتماد الذكاء الاصطناعي مقابل تحول الذكاء الاصطناعي وهذا يترك النزاع الأساسي دون حل، ولكنه أكثر وضوحا. وهذا ليس صراعًا حول ما إذا كان مهندسو جوجل يستخدمون الذكاء الاصطناعي على الإطلاق، بقدر ما هو صراع حول ما يجب اعتباره اعتماداً هادفًا. يشير موظفو Google إلى الحجم والاستخدام الأسبوعي وتوافر الأدوات الداخلية والخارجية. ويرى ييجي أن هذه التدابير قد تستحوذ على نطاق واسع دون إثبات حدوث تغيير أعمق، أو تحول في الذكاء الاصطناعي، في كيفية إنجاز العمل الهندسي. يعكس هذا الصدام انقسامًا أوسع في الصناعة بين مقاييس الاستخدام المرئية وسلوك المستخدم الأكثر تحويلاً. بالنسبة لجوجل، الموضوع حساس بشكل خاص. انتقد ييجي الشركة من قبل، بما في ذلك في مقال نشره عام 2018 يشرح فيه سبب مغادرته، حيث قال إن جوجل أصبحت تتجنب المخاطرة للغاية وفقدت الكثير من قدرتها على الابتكار. لو أن انتقاده الأخير جاء من ملصق أقل شهرة، لكان من الممكن أن يتلاشى. نظرًا لأن هذا المقال صادر عن مهندس سابق في شركة Google وله سجل من الانتقادات العامة التي لا تُنسى، فقد اجتذب بدلاً من ذلك ردودًا مباشرة من بعض كبار الشخصيات في مجال الذكاء الاصطناعي في الشركة - وحول منشورًا واحدًا إلى جدال عام أوسع حول ما إذا كانت قيادة Google في مجال الذكاء الاصطناعي عميقة داخليًا كما تبدو من الخارج.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/microsoft-launches-mai-image-2-efficient-a-cheaper-and-faster-ai-image-model",
            "title_en": "Microsoft launches MAI-Image-2-Efficient, a cheaper and faster AI image model",
            "summary_en": "Microsoft today launched MAI-Image-2-Efficient , a lower-cost, higher-speed variant of its flagship text-to-image model that the company says delivers production-ready quality at nearly half the price. The release, available immediately in Microsoft Foundry and MAI Playground with no waitlist, marks the fastest turnaround yet from Microsoft's in-house AI superintelligence team — and the clearest signal that Redmond is serious about building a self-sufficient AI stack that doesn't depend on OpenAI. The new model is priced at $5 per million text input tokens and $19.50 per million image output tokens, a roughly 41% reduction from MAI-Image-2's pricing of $5 and $33, respectively, for those same tiers. Microsoft says the model runs 22% faster than its flagship sibling and achie",
            "body_en": "Microsoft today launched MAI-Image-2-Efficient , a lower-cost, higher-speed variant of its flagship text-to-image model that the company says delivers production-ready quality at nearly half the price. The release, available immediately in Microsoft Foundry and MAI Playground with no waitlist, marks the fastest turnaround yet from Microsoft's in-house AI superintelligence team — and the clearest signal that Redmond is serious about building a self-sufficient AI stack that doesn't depend on OpenAI. The new model is priced at $5 per million text input tokens and $19.50 per million image output tokens, a roughly 41% reduction from MAI-Image-2's pricing of $5 and $33, respectively, for those same tiers. Microsoft says the model runs 22% faster than its flagship sibling and achieves 4x greater throughput efficiency per GPU, as measured on NVIDIA H100 hardware at 1024×1024 resolution. The company also claims it outpaces competing hyperscaler models — specifically naming Google's Gemini 3.1 Flash , Gemini 3.1 Flash Image , and Gemini 3 Pro Image — by an average of 40% on p50 latency benchmarks. The model is also rolling out across Copilot and Bing , Microsoft said, with additional product surfaces to follow. Microsoft's two-model strategy borrows a page from the AI pricing playbook Microsoft is positioning MAI-Image-2-Efficient and its flagship MAI-Image-2 as complementary tools rather than replacements for each other — a tiered pairing designed to cover the full spectrum of enterprise image generation needs. MAI-Image-2-Efficient targets high-volume, cost-sensitive production workloads: product photography, marketing creative, UI mockups, branded asset pipelines, and real-time interactive applications. It handles short-form in-image text like headlines and labels cleanly, according to Microsoft, and is built to operate within the tight latency and budget constraints of batch processing environments. MAI-Image-2 , meanwhile, remains the company's precision instrument — the model you reach for when the brief demands the highest photorealistic fidelity, complex stylization like anime or illustration, or longer, more intricate in-image typography. Microsoft is effectively telling enterprise customers: use the efficient model for your assembly line, and the flagship for your showcase. This approach mirrors pricing strategies that have worked across the AI industry — OpenAI's GPT model tiers , Anthropic's Haiku-Sonnet-Opus lineup , Google's Flash-Pro distinction — but applies it specifically to image generation, a domain where cost-per-image economics can make or break production deployment at scale. How Microsoft shipped a production-optimized image model in under a month The speed of this release deserves attention. MAI-Image-2 itself only debuted on MAI Playground on March 19, as VentureBeat previously reported , with broader availability through Microsoft Foundry arriving on April 2 alongside two other new foundation models: MAI-Transcribe-1 (a speech-to-text model supporting 25 languages) and MAI-Voice-1 (an audio generation model). Less than a month later, Microsoft has shipped an optimized production variant. That cadence suggests the MAI Superintelligence team — the research group led by Mustafa Suleyman, CEO of Microsoft AI, that was formed in November 2025 — is operating more like a startup shipping iterative products than a traditional corporate research lab publishing papers. When Suleyman wrote in his April 2 blog post that the team was \" building Humanist AI \" with a focus on \"optimizing for how people actually communicate, training for practical use,” he appears to have meant it literally: the models aren't just shipping, they're shipping fast enough to have product roadmaps. The early reception for MAI-Image-2 has been notably positive. Decrypt reported in its hands-on review that the model had already reached the No. 3 position on the Arena.ai leaderboard for image generation, trailing only Google and OpenAI. Decrypt's reviewer noted that the model's photorealism was \"a real strength\" and that its text rendering was \"a legitimate highlight\" that \"handled complex typography with far more consistency than we expected.\" The review also found that in some direct comparisons, MAI-Image-2 outperformed OpenAI's GPT-Image on image quality and text rendering despite sitting below it on the leaderboard — an observation that underscores how benchmark rankings don't always capture real-world utility. That said, the original model shipped with significant constraints that Decrypt flagged: a 30-second cooldown between generations, a 15-image daily cap in the native UI, only 1:1 aspect ratio output, no image-to-image capabilities, and aggressive content filtering that blocked even innocuous creative prompts. Whether MAI-Image-2-Efficient inherits or relaxes any of these limitations isn't addressed in today's announcement, and enterprise customers accessing the model through the Foundry API will likely face different constraints than playground users. Inside the fraying Microsoft-OpenAI relationship that made in-house models inevitable Today's launch cannot be understood in isolation. It arrives at a moment when the relationship between Microsoft and OpenAI — once the defining partnership of the generative AI era — is visibly fraying at the seams. Just yesterday, CNBC reported that OpenAI's newly appointed chief revenue officer, Denise Dresser, sent an internal memo to staff explicitly stating that the Microsoft partnership \"has also limited our ability to meet enterprises where they are.\" The memo reportedly touted OpenAI's new alliance with Amazon Web Services and the Bedrock platform as a key growth driver, describing inbound customer demand as \"frankly staggering\" since the partnership was announced in late February. Microsoft added OpenAI to its list of competitors in its annual report in mid-2024. OpenAI, meanwhile, has diversified its cloud infrastructure across CoreWeave , Google , and Oracle , reducing its dependence on Microsoft Azure. The MAI model family is the most tangible expression of Microsoft's side of that strategic uncoupling. When Microsoft can generate production-quality images with its own model at $19.50 per million output tokens, the calculus for continuing to license OpenAI's image models — and paying OpenAI a share of the resulting revenue — shifts dramatically. Every MAI model that reaches production quality is a line item that Microsoft can potentially move off OpenAI's balance sheet and onto its own. The organizational infrastructure to support this shift is already in place. On March 17, as disclosed in communications posted on Microsoft's official blog , CEO Satya Nadella announced a sweeping reorganization that unified the company's consumer and commercial Copilot efforts under a single leadership team, with Jacob Andreou elevated to EVP of Copilot reporting directly to Nadella. Critically, the reorganization also refocused Suleyman's role. As Nadella wrote in his message to employees, the company is \"doubling down on our superintelligence mission with the talent and compute to build models that have real product impact, in terms of evals, COGS reduction, as well as advancing the frontier.\" That phrase — \"COGS reduction\" — is corporate-speak for reducing the cost of goods sold, and it points directly to the economic motivation behind models like MAI-Image-2-Efficient. Every dollar Microsoft saves by using its own models instead of licensing from partners flows straight to gross margin. Why cheap, fast image generation is the secret ingredient for Microsoft's agentic AI future There's one more dimension that makes today's release strategically significant, and it may be the most important one: the rise of AI agents. TechCrunch reported yesterday that Microsoft is testing ways to integrate OpenClaw-like features into Microsoft 365 Copilot, building toward an always-on agent that can execute multi-step tasks over extended periods. The company has also launched Copilot Cowork (an agent that takes actions within Microsoft 365 apps), Copilot Tasks (an agent for completing multi-step personal productivity tasks), and Agent 365 (referenced in Nadella's March reorganization memo). Microsoft is expected to showcase these agentic capabilities at its Build conference in June. In an agentic world — where AI systems don't just answer questions but execute complex workflows autonomously — image generation becomes a primitive that agents call programmatically, not a standalone product that users interact with manually. An enterprise agent building a marketing campaign might need to generate dozens of product images, create social media assets, produce presentation graphics, and iterate on design concepts, all without human intervention at each step. The economics of that workflow are governed entirely by per-token pricing and latency, which is precisely what MAI-Image-2-Efficient optimizes for. If Microsoft's vision for Copilot involves agents that generate images as a routine subtask within larger workflows, those agents need image generation that's fast enough to not create bottlenecks and cheap enough to not blow up cost projections when called thousands of times per day. The 4x efficiency improvement and 41% price cut aren't just nice marketing numbers — they're architectural requirements for the agentic future Microsoft is betting the company on. What Microsoft still hasn't answered about its new image model Several important questions remain unaddressed by today's announcement. Microsoft didn't disclose whether MAI-Image-2-Efficient resolves the aspect ratio limitations and aggressive content filtering that reviewers flagged in the original model. The company also didn't specify whether the quality-to-speed tradeoffs involve visible degradation on complex prompts — the announcement describes \"production-ready quality\" and \"flagship quality\" interchangeably, but distillation models of any kind typically involve some quality concession. The footnotes in the press release also reveal the narrow conditions under which the benchmark claims were tested: efficiency figures were measured on NVIDIA H100 at 1024×1024 with \"optimized batch sizes and matched latency targets,\" and the latency comparisons against Google models were conducted at p50 (median) rather than p95 or p99, which would capture worst-case performance. Enterprise customers running diverse workloads at varying concurrency levels may see different results. MAI Playground is currently available only in select markets, including the U.S., with EU availability listed as \"coming soon.\" Copilot integration is underway but not complete. And the enterprise API through Foundry, while live, is still in early deployment. But the trajectory is unmistakable. In less than five months since the MAI Superintelligence team was announced, Microsoft has shipped a flagship image model , three additional foundation models , and now a cost-optimized production variant — all while reorganizing its entire Copilot organization, navigating a fracturing relationship with its most important AI partner, and laying the groundwork for agentic AI features that could redefine enterprise productivity. Whether all of that is fast enough to catch Anthropic's momentum, contain OpenAI's drift toward Amazon, and justify a $600 price target is the multi-hundred-billion-dollar question. But for a company that spent the first two years of the generative AI era mostly reselling someone else's technology, Microsoft is now doing something it hasn't done in a long time in AI: shipping its own work, on its own schedule, at its own price — and daring the market to keep up.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/17szvygLbh5CP67yGHGlNG\/7a78dac28a40f270d5d5ef636980f606\/nuneybits_Vector_art_of_the_iconic_Microsoft_Windows_logo_on_a__d3fc862c-d081-4a53-86a0-8b31f591dd93.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/microsoft-launches-mai-image-2-efficient-a-cheaper-and-faster-ai-image-model",
            "date": "2026-04-14",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "أطلقت Microsoft نموذج MAI-Image-2-Efficient، وهو نموذج صور ذكاء اصطناعي أرخص وأسرع",
            "summary_ar": "أطلقت Microsoft اليوم MAI-Image-2-Efficient، وهو متغير أقل تكلفة وأعلى سرعة لنموذجها الرئيسي لتحويل النص إلى صورة والذي تقول الشركة إنه يوفر جودة جاهزة للإنتاج بنصف السعر تقريبًا. يمثل الإصدار، المتوفر على الفور في Microsoft Foundry وMAI Playground بدون قائمة انتظار، أسرع تحول حتى الآن من فريق الذكاء الاصطناعي الفائق الداخلي في Microsoft - وأوضح إشارة إلى أن Redmond جاد في بناء مجموعة ذكاء اصطناعي مكتفية ذاتيًا ولا تعتمد على OpenAI. يبلغ سعر النموذج الجديد 5 دولارات لكل مليون رمز مميز لإدخال النص و19.50 دولارًا أمريكيًا لكل مليون رمز مميز لإخراج الصور، وهو ما يمثل انخفاضًا بنسبة 41% تقريبًا عن سعر MAI-Image-2 البالغ 5 دولارات و33 دولارًا على التوالي لتلك المستويات نفسها. وتقول مايكروسوفت إن النموذج يعمل بشكل أسرع بنسبة 22% من شقيقه الرائد achi",
            "body_ar": "أطلقت Microsoft اليوم MAI-Image-2-Efficient، وهو متغير أقل تكلفة وأعلى سرعة لنموذجها الرئيسي لتحويل النص إلى صورة والذي تقول الشركة إنه يوفر جودة جاهزة للإنتاج بنصف السعر تقريبًا. يمثل الإصدار، المتوفر على الفور في Microsoft Foundry وMAI Playground بدون قائمة انتظار، أسرع تحول حتى الآن من فريق الذكاء الاصطناعي الفائق الداخلي في Microsoft - وأوضح إشارة إلى أن Redmond جاد في بناء مجموعة ذكاء اصطناعي مكتفية ذاتيًا ولا تعتمد على OpenAI. يبلغ سعر النموذج الجديد 5 دولارات لكل مليون رمز مميز لإدخال النص و19.50 دولارًا أمريكيًا لكل مليون رمز مميز لإخراج الصور، وهو ما يمثل انخفاضًا بنسبة 41% تقريبًا عن سعر MAI-Image-2 البالغ 5 دولارات و33 دولارًا على التوالي لتلك المستويات نفسها. تقول Microsoft أن النموذج يعمل بشكل أسرع بنسبة 22% من شقيقه الرائد ويحقق كفاءة إنتاجية أكبر بمقدار 4 أضعاف لكل وحدة معالجة رسومات، كما تم قياسها على أجهزة NVIDIA H100 بدقة 1024 × 1024. تدعي الشركة أيضًا أنها تتفوق على نماذج Hyperscaler المنافسة - على وجه التحديد تسمية Google Gemini 3.1 Flash، وGemini 3.1 Flash Image، وGemini 3 Pro Image - بمتوسط ​​40٪ وفقًا لمعايير زمن الوصول p50. وقالت مايكروسوفت إن النموذج يتم طرحه أيضًا عبر Copilot وBing، مع متابعة أسطح المنتجات الإضافية. تستعير استراتيجية Microsoft ذات النموذجين صفحة من دليل تسعير الذكاء الاصطناعي. تقوم Microsoft بوضع MAI-Image-2-Efficient وMAI-Image-2 الرائد كأدوات تكميلية بدلاً من استبدال بعضها البعض - وهو اقتران متدرج مصمم لتغطية النطاق الكامل لاحتياجات إنشاء الصور الخاصة بالمؤسسة. يستهدف MAI-Image-2-Efficient أعباء عمل الإنتاج كبيرة الحجم وحساسة للتكلفة: تصوير المنتجات، والإبداع التسويقي، ونماذج واجهة المستخدم، وخطوط الأصول ذات العلامات التجارية، والتطبيقات التفاعلية في الوقت الفعلي. إنه يتعامل مع النص القصير داخل الصورة مثل العناوين الرئيسية والتسميات بشكل نظيف، وفقًا لمايكروسوفت، وقد تم تصميمه للعمل ضمن زمن الوصول الضيق وقيود الميزانية لبيئات المعالجة المجمعة. وفي الوقت نفسه، تظل MAI-Image-2 أداة الدقة الخاصة بالشركة - النموذج الذي تصل إليه عندما يتطلب الموجز أعلى دقة تصويرية واقعية، أو أسلوب معقد مثل الرسوم المتحركة أو الرسوم التوضيحية، أو طباعة أطول وأكثر تعقيدًا داخل الصورة. تخبر Microsoft عملاء المؤسسات بشكل فعال: استخدم النموذج الفعال لخط التجميع الخاص بك، والرائد لشاشة العرض الخاصة بك. يعكس هذا النهج استراتيجيات التسعير التي نجحت في جميع أنحاء صناعة الذكاء الاصطناعي - طبقات نموذج GPT من OpenAI، ومجموعة Haiku-Sonnet-Opus من Anthropic، وتميز Flash-Pro من Google - ولكنه يطبقه على وجه التحديد على توليد الصور، وهو مجال حيث يمكن لاقتصاديات التكلفة لكل صورة أن تؤدي إلى نشر الإنتاج على نطاق واسع أو كسره. كيف قامت Microsoft بشحن نموذج صورة محسّن للإنتاج في أقل من شهر؟ سرعة هذا الإصدار تستحق الاهتمام. ظهر MAI-Image-2 نفسه لأول مرة فقط على MAI Playground في 19 مارس، كما ذكرت VentureBeat سابقًا، مع وصول أوسع من خلال Microsoft Foundry في 2 أبريل جنبًا إلى جنب مع نموذجين أساسيين جديدين آخرين: MAI-Transcribe-1 (نموذج تحويل الكلام إلى نص يدعم 25 لغة) وMAI-Voice-1 (نموذج توليد الصوت). وبعد أقل من شهر، قامت Microsoft بشحن نسخة إنتاجية محسنة. يشير هذا الإيقاع إلى أن فريق MAI Superintelligence - المجموعة البحثية التي يقودها مصطفى سليمان، الرئيس التنفيذي لشركة Microsoft AI، والتي تم تشكيلها في نوفمبر 2025 - تعمل مثل شركة ناشئة تقوم بشحن المنتجات التكرارية أكثر من كونها مختبر أبحاث تقليدي ينشر الأوراق البحثية. عندما كتب سليمان في تدوينة بتاريخ 2 أبريل أن الفريق كان \"يبني الذكاء الاصطناعي الإنساني\" مع التركيز على \"تحسين كيفية تواصل الأشخاص فعليًا، والتدريب على الاستخدام العملي\"، يبدو أنه كان يعني ذلك حرفيًا: النماذج لا يتم شحنها فحسب، بل يتم شحنها بسرعة كافية للحصول على خرائط طريق للمنتج. كان الاستقبال المبكر لـ MAI-Image-2 إيجابيًا بشكل ملحوظ. ذكرت شركة Decrypt في مراجعتها العملية أن النموذج قد وصل بالفعل إلى المرتبة الأولى. المركز الثالث في قائمة المتصدرين Arena.ai لتوليد الصور، متخلفًا فقط عن Google وOpenAI. لاحظ مراجع Decrypt أن الواقعية التصويرية للنموذج كانت \"قوة حقيقية\" وأن عرض النص الخاص به كان \"تسليط الضوء المشروع\" الذي \"تعامل مع الطباعة المعقدة بتناسق أكبر بكثير مما توقعنا\". وجدت المراجعة أيضًا أنه في بعض المقارنات المباشرة، تفوقت MAI-Image-2 على GPT-Image الخاصة بـ OpenAI في جودة الصورة وعرض النص على الرغم من وجودها أسفلها في لوحة الصدارة - وهي ملاحظة تؤكد كيف أن التصنيفات المعيارية لا تلتقط دائمًا العالم الحقيقي. جدوى. ومع ذلك، تم شحن النموذج الأصلي مع قيود كبيرة تم وضع علامة Decrypt عليها: فترة تباطؤ مدتها 30 ثانية بين الأجيال، وحد أقصى يومي يبلغ 15 صورة في واجهة المستخدم الأصلية، وإخراج نسبة العرض إلى الارتفاع 1:1 فقط، وعدم وجود إمكانات صورة إلى صورة، وتصفية المحتوى القوية التي تمنع حتى المطالبات الإبداعية غير الضارة. ما إذا كان MAI-Image-2-Efficient يرث أو يخفف أيًا من هذه القيود لم يتم تناوله في إعلان اليوم، ومن المحتمل أن يواجه عملاء المؤسسات الذين يصلون إلى النموذج من خلال Foundry API قيودًا مختلفة عن مستخدمي الملعب. داخل العلاقة المتوترة بين Microsoft وOpenAI التي جعلت النماذج الداخلية أمرًا لا مفر منه، لا يمكن فهم إطلاق اليوم بمعزل عن غيره. يأتي ذلك في وقت تتدهور فيه العلاقة بين Microsoft وOpenAI - التي كانت ذات يوم الشراكة المميزة لعصر الذكاء الاصطناعي التوليدي - بشكل واضح. بالأمس فقط، ذكرت CNBC أن كبير مسؤولي الإيرادات المعين حديثًا في OpenAI، دينيس دريسر، أرسل مذكرة داخلية إلى الموظفين تنص صراحة على أن شراكة Microsoft \"قد حدت أيضًا من قدرتنا على مقابلة الشركات أينما كانت\". وبحسب ما ورد أشارت المذكرة إلى تحالف OpenAI الجديد مع Amazon Web Services ومنصة Bedrock كمحرك رئيسي للنمو، واصفة طلب العملاء الداخلي بأنه \"مذهل بصراحة\" منذ الإعلان عن الشراكة في أواخر فبراير. أضافت مايكروسوفت OpenAI إلى قائمة منافسيها في تقريرها السنوي منتصف عام 2024. وفي الوقت نفسه، قامت OpenAI بتنويع بنيتها التحتية السحابية عبر CoreWeave وGoogle وOracle، مما قلل من اعتمادها على Microsoft Azure. تعد عائلة نماذج MAI هي التعبير الأكثر وضوحًا عن جانب Microsoft من هذا الانفصال الاستراتيجي. عندما تتمكن مايكروسوفت من إنشاء صور ذات جودة إنتاجية باستخدام نموذجها الخاص بسعر 19.50 دولارًا لكل مليون رمز إخراج، فإن حساب التفاضل والتكامل للاستمرار في ترخيص نماذج صور OpenAI - ودفع حصة OpenAI من الإيرادات الناتجة - يتغير بشكل كبير. كل نموذج MAI يصل إلى جودة الإنتاج هو بند يمكن لشركة Microsoft نقله من الميزانية العمومية لـ OpenAI إلى ميزانيتها الخاصة. إن البنية التحتية التنظيمية اللازمة لدعم هذا التحول موجودة بالفعل. في 17 مارس، كما تم الكشف عنه في الاتصالات المنشورة على مدونة Microsoft الرسمية، أعلن الرئيس التنفيذي ساتيا ناديلا عن عملية إعادة تنظيم شاملة أدت إلى توحيد جهود مساعد الطيار الاستهلاكية والتجارية للشركة تحت فريق قيادة واحد، مع ترقية جاكوب أندريو إلى منصب نائب الرئيس التنفيذي لمساعد الطيار الذي يقدم تقاريره مباشرة إلى ناديلا. والأهم من ذلك، أن عملية إعادة التنظيم أعادت أيضًا تركيز دور سليمان. وكما كتب ناديلا في رسالته للموظفين، فإن الشركة \"تضاعف جهودها في مهمة الذكاء الفائق من خلال الموهبة والحوسبة لبناء نماذج لها تأثير حقيقي على المنتج، من حيث التقييمات، وخفض تكلفة البضائع المباعة، فضلاً عن الارتقاء بالحدود\". هذه العبارة - \"تخفيض تكلفة البضائع المباعة\" - هي لغة الشركات لخفض تكلفة البضائع المباعة، وتشير بشكل مباشر إلى الدافع الاقتصادي وراء نماذج مثل MAI-Image-2-Efficient. كل دولار توفره Microsoft باستخدام نماذجها الخاصة بدلاً من الترخيص من الشركاء يتدفق مباشرة إلى هامش الربح الإجمالي. لماذا يعد إنشاء الصور السريعة والرخيصة هو العنصر السري لمستقبل الذكاء الاصطناعي الوكيل من Microsoft؟ هناك بعد آخر يجعل إصدار اليوم ذا أهمية استراتيجية، وقد يكون الأكثر أهمية: ظهور عملاء الذكاء الاصطناعي. ذكرت TechCrunch بالأمس أن Microsoft تختبر طرقًا لدمج الميزات المشابهة لـ OpenClaw في Microsoft 365 Copilot، مما يؤدي إلى إنشاء وكيل يعمل دائمًا يمكنه تنفيذ مهام متعددة الخطوات على مدى فترات طويلة. أطلقت الشركة أيضًا Copilot Cowork (وكيل يتخذ الإجراءات داخل تطبيقات Microsoft 365)، وCopilot Tasks (وكيل لإكمال مهام الإنتاجية الشخصية متعددة الخطوات)، وAgent 365 (المشار إليه في مذكرة إعادة التنظيم التي قدمها Nadella في مارس). ومن المتوقع أن تعرض Microsoft هذه القدرات الوكيلة في مؤتمر Build الخاص بها في يونيو. في عالم وكيل - حيث لا تجيب أنظمة الذكاء الاصطناعي على الأسئلة فحسب، بل تنفذ مسارات عمل معقدة بشكل مستقل - يصبح توليد الصور أمرًا بدائيًا يسميه الوكلاء برمجيًا، وليس منتجًا مستقلاً يتفاعل معه المستخدمون يدويًا. قد يحتاج وكيل المؤسسة الذي يبني حملة تسويقية إلى إنشاء العشرات من صور المنتج، وإنشاء أصول الوسائط الاجتماعية، وإنتاج رسومات العرض التقديمي، وتكرار مفاهيم التصميم، كل ذلك دون تدخل بشري في كل خطوة. تخضع اقتصاديات سير العمل هذا بالكامل للتسعير لكل رمز مميز ووقت الاستجابة، وهو بالضبط ما تقوم MAI-Image-2-Efficient بتحسينه. إذا كانت رؤية Microsoft لـ Copilot تتضمن وكلاء يقومون بإنشاء صور كمهمة فرعية روتينية ضمن مسارات عمل أكبر، فإن هؤلاء الوكلاء يحتاجون إلى إنشاء صور سريع بما يكفي لعدم إنشاء اختناقات ورخيصة بما يكفي لعدم تضخيم توقعات التكلفة عند الاتصال بها آلاف المرات يوميًا. إن تحسين الكفاءة 4x وخفض الأسعار بنسبة 41% ليس مجرد أرقام تسويقية جيدة - بل إنها متطلبات معمارية لمستقبل الوكلاء الذي تراهن عليه Microsoft الشركة. ما لم تجب عليه Microsoft بعد بشأن نموذج الصورة الجديد الخاص بها؟ هناك العديد من الأسئلة المهمة التي لم تتم الإجابة عليها بعد من خلال إعلان اليوم. لم تكشف Microsoft عما إذا كان MAI-Image-2-Efficient يحل قيود نسبة العرض إلى الارتفاع وتصفية المحتوى القوية التي وضع المراجعون علامة عليها في النموذج الأصلي. لم تحدد الشركة أيضًا ما إذا كانت المفاضلات بين الجودة والسرعة تنطوي على تدهور واضح في المطالبات المعقدة - يصف الإعلان \"الجودة الجاهزة للإنتاج\" و\"الجودة الرائدة\" بالتبادل، ولكن نماذج التقطير من أي نوع تتضمن عادةً بعض الامتيازات في الجودة. تكشف الحواشي السفلية في البيان الصحفي أيضًا عن الظروف الضيقة التي تم بموجبها اختبار المطالبات المعيارية: تم قياس أرقام الكفاءة على NVIDIA H100 بدقة 1024 × 1024 مع \"أحجام دفعة محسّنة وأهداف زمن الوصول المتطابقة\"، وتم إجراء مقارنات زمن الوصول مع نماذج Google عند p50 (متوسط) بدلاً من p95 أو p99، والتي من شأنها التقاط الأداء الأسوأ. قد يرى عملاء المؤسسات الذين يقومون بأحمال عمل متنوعة بمستويات متزامنة مختلفة نتائج مختلفة. يتوفر MAI Playground حاليًا في أسواق محددة فقط، بما في ذلك الولايات المتحدة، مع إدراج توفره في الاتحاد الأوروبي على أنه \"قريبًا\". تكامل مساعد الطيار قيد التنفيذ ولكنه غير مكتمل. ولا تزال واجهة برمجة التطبيقات (API) الخاصة بالمؤسسة من خلال Foundry، في مرحلة النشر المبكر، أثناء تشغيلها. لكن المسار لا لبس فيه. في أقل من خمسة أشهر منذ الإعلان عن فريق MAI Superintelligence، قامت Microsoft بشحن نموذج صورة رئيسي، وثلاثة نماذج أساسية إضافية، والآن متغير إنتاج محسّن من حيث التكلفة - كل ذلك أثناء إعادة تنظيم مؤسسة Copilot بالكامل، والتنقل في علاقة متقطعة مع شريكها الأكثر أهمية في الذكاء الاصطناعي، ووضع الأساس لميزات الذكاء الاصطناعي الوكيل التي يمكن أن تعيد تعريف إنتاجية المؤسسة. وسواء كان كل ذلك سريعًا بما يكفي لاجتذاب زخم شركة Anthropic، أو احتواء انجراف OpenAI نحو أمازون، أو تبرير السعر المستهدف عند 600 دولار، فهو سؤال يتطلب مئات المليارات من الدولارات. ولكن بالنسبة لشركة أمضت أول عامين من عصر الذكاء الاصطناعي التوليدي في الغالب في إعادة بيع تكنولوجيا شخص آخر، فإن مايكروسوفت تفعل الآن شيئًا لم تفعله منذ فترة طويلة في مجال الذكاء الاصطناعي: شحن عملها الخاص، وفقًا لجدولها الزمني الخاص، وبالسعر الذي يناسبها - وتتحدى السوق للحفاظ على أعلى.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/data\/databricks-research-shows-multi-step-agents-consistently-outperform-single",
            "title_en": "Databricks research shows multi-step agents consistently outperform single-turn RAG when answers span databases and documents",
            "summary_en": "Data teams building AI agents keep running into the same failure mode. Questions that require joining structured data with unstructured content, sales figures alongside customer reviews or citation counts alongside academic papers, break single-turn RAG systems. New research from Databricks puts a number on that failure gap. The company's AI research team tested a multi-step agentic approach against state-of-the-art single-turn RAG baselines across nine enterprise knowledge tasks, reporting gains of 20% or more on Stanford's STaRK benchmark suite and consistent improvement across Databricks' own KARLBench evaluation framework. The results make the case that the performance gap between single-turn RAG and multi-step agents on hybrid data tasks is an architectural problem, not",
            "body_en": "Data teams building AI agents keep running into the same failure mode. Questions that require joining structured data with unstructured content, sales figures alongside customer reviews or citation counts alongside academic papers, break single-turn RAG systems. New research from Databricks puts a number on that failure gap. The company's AI research team tested a multi-step agentic approach against state-of-the-art single-turn RAG baselines across nine enterprise knowledge tasks, reporting gains of 20% or more on Stanford's STaRK benchmark suite and consistent improvement across Databricks' own KARLBench evaluation framework. The results make the case that the performance gap between single-turn RAG and multi-step agents on hybrid data tasks is an architectural problem, not a model quality problem. The work builds on Databricks' earlier instructed retriever research, which showed retrieval improvements on unstructured data using metadata-aware queries. This latest research adds structured data sources, relational tables and SQL warehouses, into the same reasoning loop, addressing the class of questions enterprises most commonly fail to answer with current agent architectures. \"RAG works, but it doesn't scale,\" Michael Bendersky, research director at Databricks, told VentureBeat. \"If you want to make your agent even better, and you want to understand why you have declining sales, now you have to help the agent see the tables and look at the sales data. Your RAG pipeline will become incompetent at that task.\" Single-turn retrieval cannot encode structural constraints The core finding is that standard RAG systems fail when a query mixes a precise structured filter with an open-ended semantic search. Consider a question like \"Which of our products have had declining sales over the past three months, and what potentially related issues are brought up in customer reviews on various seller sites?\" The sales data lives in a warehouse. The review sentiment lives in unstructured documents across seller sites. A single-turn RAG system cannot split that query, route each half to the right data source and combine the results. To confirm this is an architecture problem rather than a model quality problem, Databricks reran published STaRK baselines using a current state-of-the-art foundation model. The stronger model still lost to the multi-step agent by 21% on the academic domain and 38% on the biomedical domain. STaRK is a benchmark published by Stanford researchers covering three semi-structured retrieval domains: Amazon product data, the Microsoft Academic Graph and a biomedical knowledge base. How the Supervisor Agent handles what RAG cannot Databricks built the Supervisor Agent as the production implementation of this research approach, and its architecture illustrates why the gains are consistent across task types. The approach includes three core steps: Parallel tool decomposition . Rather than issuing one broad query and hoping the results cover both structured and unstructured needs, the agent fires SQL and vector search calls simultaneously, then analyzes the combined results before deciding what to do next. That parallel step is what allows it to handle queries that cross data type boundaries without requiring the data to be normalized first. Self-correction. When an initial retrieval attempt hits a dead end, the agent detects the failure, reformulates the query and tries a different path. On a STaRK benchmark task that requires finding a paper by an author with exactly 115 prior publications on a specific topic, the agent first queries both SQL and vector search in parallel. When the two result sets show no overlap, it adapts and issues a SQL JOIN across both constraints, then calls the vector search system to verify the result before returning the answer. Declarative configuration. The agent is not tuned to any specific dataset or task. Connecting it to a new data source means writing a plain-language description of what that source contains and what kinds of questions it should answer. No custom code is required. \"The agent can do things like decomposing the question into a SQL query and a search query out of the box,\" Bendersky said. \"It can combine the results of SQL and RAG, reason about those results, make follow-up queries and then reason about whether the final answer was actually found.\" It's not just about hybrid retrieval Being able to source information from both structured and unstructured data isn't an entirely new concept. LlamaIndex, LangChain and Microsoft Fabric agents all offer some form of hybrid retrieval. Bendersky draws a distinction in how the Databricks approach frames the problem architecturally. \"We almost don't see it as a hybrid retrieval where you combine embeddings and search results, or embeddings and tables,\" he said. \"We see this more as an agent that has access to multiple tools.\" The practical consequence of that framing is that adding a new data source means connecting it to the agent and writing a description of what it contains. The agent handles routing and orchestration without additional code. Custom RAG pipelines require data to be converted into a format the retrieval system can read, typically text chunks with embeddings. SQL tables have to be flattened, JSON has to be normalized. Every new data source added to the pipeline means more conversion work. Databricks' research argues that as enterprise data grows to include more source types, that burden makes custom pipelines increasingly impractical compared to an agent that queries each source in its native format. \"Just bring the agent to the data,\" Bendersky said. \"You basically give the agent more sources, and it will learn to use them pretty well.\" What this means for enterprises For data engineers evaluating whether to build custom RAG pipelines or adopt a declarative agent framework, the research offers a clear direction: if the task involves questions that span structured and unstructured data, building custom retrieval is the harder path. The research found that across all tested tasks, the only things that differed between deployments were instructions and tool descriptions. The agent handled the rest. The practical limits are real but manageable. The approach works well with five to ten data sources. Adding too many at once, without curating which sources are complementary rather than contradictory, makes the agent slower and less reliable. Bendersky recommends scaling incrementally and verifying results at each step rather than connecting all available data upfront. Data accuracy is a prerequisite. The agent can query across mismatched formats, JSON review feeds alongside SQL sales tables, without requiring normalization. It cannot fix source data that is factually wrong. Adding a plain-language description of each data source at ingestion time helps the agent route queries correctly from the start. The research positions this as an early step in a longer trajectory. As enterprise AI workloads mature, agents will be expected to reason across dozens of source types, including dashboards, code repositories and external data feeds. The research argues the declarative approach is what makes that scaling tractable, because adding a new source stays a configuration problem rather than an engineering one. \"This is kind of like a ladder,\" Bendersky said. \"The agent will slowly get more and more information and then slowly improve overall.\"",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/67zWD4BorZFoyltqGXzV1O\/94c41d56da0b69739197e37c2cab72e0\/hybrid-reasoning-smk1.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/data\/databricks-research-shows-multi-step-agents-consistently-outperform-single",
            "date": "2026-04-14",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تُظهر أبحاث Databricks أن الوكلاء متعددي الخطوات يتفوقون باستمرار على RAG أحادي الدورة عندما تمتد الإجابات إلى قواعد البيانات والمستندات",
            "summary_ar": "تستمر فرق البيانات التي تقوم ببناء وكلاء الذكاء الاصطناعي في العمل في نفس وضع الفشل. الأسئلة التي تتطلب دمج البيانات المنظمة مع المحتوى غير المنظم، وأرقام المبيعات جنبًا إلى جنب مع مراجعات العملاء أو عدد الاستشهادات جنبًا إلى جنب مع الأوراق الأكاديمية، تكسر أنظمة RAG ذات الدورة الواحدة. بحث جديد من Databricks يضع رقمًا على فجوة الفشل هذه. قام فريق أبحاث الذكاء الاصطناعي التابع للشركة باختبار نهج فعال متعدد الخطوات مقابل أحدث خطوط أساس RAG أحادية المنعطف عبر تسع مهام معرفية مؤسسية، حيث تم الإبلاغ عن مكاسب بنسبة 20% أو أكثر في مجموعة معايير STaRK من جامعة ستانفورد والتحسين المستمر عبر إطار تقييم KARLBench الخاص بشركة Databricks. توضح النتائج أن فجوة الأداء بين RAG ذات المنعطف الواحد والوكلاء متعددي الخطوات في مهام البيانات المختلطة تمثل مشكلة معمارية. لا",
            "body_ar": "تستمر فرق البيانات التي تقوم ببناء وكلاء الذكاء الاصطناعي في العمل في نفس وضع الفشل. الأسئلة التي تتطلب دمج البيانات المنظمة مع المحتوى غير المنظم، وأرقام المبيعات جنبًا إلى جنب مع مراجعات العملاء أو عدد الاستشهادات جنبًا إلى جنب مع الأوراق الأكاديمية، تكسر أنظمة RAG ذات الدورة الواحدة. بحث جديد من Databricks يضع رقمًا على فجوة الفشل هذه. قام فريق أبحاث الذكاء الاصطناعي التابع للشركة باختبار نهج فعال متعدد الخطوات مقابل أحدث خطوط أساس RAG أحادية المنعطف عبر تسع مهام معرفية مؤسسية، حيث تم الإبلاغ عن مكاسب بنسبة 20% أو أكثر في مجموعة معايير STaRK من جامعة ستانفورد والتحسين المستمر عبر إطار تقييم KARLBench الخاص بشركة Databricks. تشير النتائج إلى أن فجوة الأداء بين RAG ذات المنعطف الواحد والوكلاء متعددي الخطوات في مهام البيانات المختلطة هي مشكلة معمارية، وليست مشكلة في جودة النموذج. يعتمد العمل على أبحاث المستردات التي أصدرتها Databricks سابقًا، والتي أظهرت تحسينات في استرجاع البيانات غير المنظمة باستخدام الاستعلامات المدركة للبيانات الوصفية. يضيف هذا البحث الأخير مصادر البيانات المنظمة والجداول العلائقية ومستودعات SQL إلى نفس حلقة الاستدلال، مما يعالج فئة الأسئلة التي تفشل المؤسسات عادةً في الإجابة عليها باستخدام بنيات الوكيل الحالية. قال مايكل بندرسكي، مدير الأبحاث في Databricks، لـ VentureBeat: \"إن RAG يعمل، لكنه لا يتسع نطاقه\". \"إذا كنت تريد أن تجعل وكيلك أفضل، وتريد أن تفهم سبب انخفاض مبيعاتك، فعليك الآن مساعدة الوكيل على رؤية الجداول وإلقاء نظرة على بيانات المبيعات. سيصبح خط أنابيب RAG الخاص بك غير كفء في هذه المهمة.\" لا يمكن للاسترجاع أحادي الدورة تشفير القيود الهيكلية. النتيجة الأساسية هي أن أنظمة RAG القياسية تفشل عندما يمزج الاستعلام مرشحًا منظمًا دقيقًا مع بحث دلالي مفتوح. فكر في سؤال مثل \"أي من منتجاتنا شهدت انخفاضًا في المبيعات خلال الأشهر الثلاثة الماضية، وما هي المشكلات ذات الصلة التي قد تظهر في مراجعات العملاء على مواقع البائعين المختلفة؟\" تعيش بيانات المبيعات في المستودع. تعيش مشاعر المراجعة في مستندات غير منظمة عبر مواقع البائع. لا يمكن لنظام RAG ذو الدورة الواحدة تقسيم هذا الاستعلام، وتوجيه كل نصف إلى مصدر البيانات الصحيح ودمج النتائج. للتأكد من أن هذه مشكلة في البنية وليست مشكلة في جودة النموذج، أعادت Databricks نشر خطوط الأساس لـ STaRK باستخدام نموذج أساس متطور حالي. ولا يزال النموذج الأقوى يخسر أمام العامل متعدد الخطوات بنسبة 21% في المجال الأكاديمي و38% في المجال الطبي الحيوي. STaRK هو معيار نشره باحثون في جامعة ستانفورد ويغطي ثلاثة مجالات استرجاع شبه منظمة: بيانات منتجات أمازون، والرسم البياني الأكاديمي لـ Microsoft، وقاعدة المعرفة الطبية الحيوية. كيف يتعامل الوكيل المشرف مع ما لا يمكن لـ RAG أن تقوم Databricks ببناء الوكيل المشرف باعتباره تنفيذ الإنتاج لنهج البحث هذا، وتوضح بنيته سبب اتساق المكاسب عبر أنواع المهام. يتضمن النهج ثلاث خطوات أساسية: تحليل الأداة المتوازية. بدلاً من إصدار استعلام واسع واحد والأمل في أن تغطي النتائج كلاً من الاحتياجات المنظمة وغير المنظمة، يطلق الوكيل مكالمات بحث SQL ومتجهات في وقت واحد، ثم يحلل النتائج المجمعة قبل أن يقرر ما يجب فعله بعد ذلك. هذه الخطوة الموازية هي ما يسمح لها بمعالجة الاستعلامات التي تعبر حدود نوع البيانات دون الحاجة إلى تسوية البيانات أولاً. التصحيح الذاتي. عندما تصل محاولة الاسترجاع الأولية إلى طريق مسدود، يكتشف الوكيل الفشل، ويعيد صياغة الاستعلام ويحاول اتباع مسار مختلف. في مهمة STaRK المعيارية التي تتطلب العثور على ورقة بحثية لمؤلف تحتوي على 115 منشورًا سابقًا بالضبط حول موضوع محدد، يقوم الوكيل أولاً بالاستعلام عن كل من SQL والبحث المتجه بالتوازي. عندما لا تظهر مجموعتي النتائج أي تداخل، فإنه يتكيف ويصدر SQL JOIN عبر كلا القيود، ثم يستدعي نظام البحث المتجه للتحقق من النتيجة قبل إرجاع الإجابة. التكوين التصريحي. لم يتم ضبط الوكيل على أي مجموعة بيانات أو مهمة محددة. ويعني توصيله بمصدر بيانات جديد كتابة وصف بلغة واضحة لما يحتويه هذا المصدر وأنواع الأسئلة التي يجب أن يجيب عليها. ليس هناك حاجة إلى رمز مخصص. وقال بندرسكي: \"يمكن للوكيل القيام بأشياء مثل تحليل السؤال إلى استعلام SQL واستعلام بحث خارج الصندوق\". \"يمكنه الجمع بين نتائج SQL وRAG، والتفكير في هذه النتائج، وإجراء استعلامات المتابعة ثم التفكير فيما إذا كان قد تم العثور على الإجابة النهائية بالفعل.\" لا يتعلق الأمر فقط بالاسترجاع المختلط. إن القدرة على الحصول على معلومات من كل من البيانات المنظمة وغير المنظمة ليس مفهومًا جديدًا تمامًا. يقدم كل من وكلاء LlamaIndex وLangChain وMicrosoft Fabric شكلاً من أشكال الاسترجاع المختلط. يميز Bendersky في كيفية تأطير منهج Databricks للمشكلة من الناحية المعمارية. وقال: \"نحن لا ننظر إليها على أنها عملية استرجاع هجينة حيث يتم الجمع بين التضمينات ونتائج البحث، أو التضمينات والجداول\". \"نحن نرى هذا كوكيل لديه إمكانية الوصول إلى أدوات متعددة.\" والنتيجة العملية لهذا التأطير هي أن إضافة مصدر بيانات جديد يعني ربطه بالوكيل وكتابة وصف لما يحتوي عليه. يعالج الوكيل التوجيه والتنسيق بدون تعليمات برمجية إضافية. تتطلب خطوط أنابيب RAG المخصصة تحويل البيانات إلى تنسيق يمكن لنظام الاسترجاع قراءته، وعادةً ما تكون أجزاء نصية تحتوي على تضمينات. يجب تسوية جداول SQL، ويجب تسوية JSON. كل مصدر بيانات جديد يضاف إلى التدفق يعني المزيد من أعمال التحويل. تشير أبحاث Databricks إلى أنه مع نمو بيانات المؤسسة لتشمل المزيد من أنواع المصادر، فإن هذا العبء يجعل خطوط الأنابيب المخصصة غير عملية بشكل متزايد مقارنة بالوكيل الذي يستعلم عن كل مصدر بتنسيقه الأصلي. قال بندرسكي: \"فقط أحضر الوكيل إلى البيانات\". \"أنت في الأساس تعطي الوكيل المزيد من المصادر، وسوف يتعلم كيفية استخدامها بشكل جيد.\" ماذا يعني هذا بالنسبة للمؤسسات بالنسبة لمهندسي البيانات الذين يقومون بتقييم ما إذا كان يجب إنشاء خطوط أنابيب RAG مخصصة أو اعتماد إطار عمل وكيل تصريحي، يقدم البحث اتجاهًا واضحًا: إذا كانت المهمة تتضمن أسئلة تشمل بيانات منظمة وغير منظمة، فإن بناء استرجاع مخصص هو المسار الأصعب. وجد البحث أنه في جميع المهام التي تم اختبارها، كانت الأشياء الوحيدة التي تختلف بين عمليات النشر هي التعليمات وأوصاف الأدوات. وتولى الوكيل الباقي. إن الحدود العملية حقيقية ولكن يمكن التحكم فيها. يعمل هذا النهج بشكل جيد مع خمسة إلى عشرة مصادر للبيانات. إن إضافة عدد كبير جدًا من المصادر في وقت واحد، دون تحديد المصادر التكميلية وليست المتناقضة، يجعل العامل أبطأ وأقل موثوقية. يوصي Bendersky بالتوسع بشكل تدريجي والتحقق من النتائج في كل خطوة بدلاً من ربط جميع البيانات المتاحة مقدمًا. دقة البيانات شرط أساسي. يمكن للوكيل الاستعلام عبر التنسيقات غير المتطابقة، وموجزات مراجعة JSON جنبًا إلى جنب مع جداول مبيعات SQL، دون الحاجة إلى التسوية. ولا يمكنه إصلاح البيانات المصدرية الخاطئة في الواقع. تساعد إضافة وصف باللغة البسيطة لكل مصدر بيانات في وقت العرض الوكيل على توجيه الاستعلامات بشكل صحيح من البداية. ويضع البحث هذا كخطوة مبكرة في مسار أطول. مع نضوج أعباء عمل الذكاء الاصطناعي للمؤسسات، يُتوقع من الوكلاء التفكير عبر العشرات من أنواع المصادر، بما في ذلك لوحات المعلومات ومستودعات التعليمات البرمجية وموجزات البيانات الخارجية. يجادل البحث بأن النهج التعريفي هو ما يجعل هذا التوسع سهلاً، لأن إضافة مصدر جديد يظل مشكلة تكوين وليس مشكلة هندسية. وقال بندرسكي: \"هذا يشبه السلم\". \"سيحصل الوكيل ببطء على المزيد والمزيد من المعلومات ثم يتحسن ببطء إجمالي.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/43-of-ai-generated-code-changes-need-debugging-in-production-survey-finds",
            "title_en": "43% of AI-generated code changes need debugging in production, survey finds",
            "summary_en": "The software industry is racing to write code with artificial intelligence. It is struggling, badly, to make sure that code holds up once it ships. A survey of 200 senior site-reliability and DevOps leaders at large enterprises across the United States, United Kingdom, and European Union paints a stark picture of the hidden costs embedded in the AI coding boom. According to Lightrun's 2026 State of AI-Powered Engineering Report , shared exclusively with VentureBeat ahead of its public release, 43% of AI-generated code changes require manual debugging in production environments even after passing quality assurance and staging tests. Not a single respondent said their organization could verify an AI-suggested fix with just one redeploy cycle; 88% reported needing two to three cycles, wh",
            "body_en": "The software industry is racing to write code with artificial intelligence. It is struggling, badly, to make sure that code holds up once it ships. A survey of 200 senior site-reliability and DevOps leaders at large enterprises across the United States, United Kingdom, and European Union paints a stark picture of the hidden costs embedded in the AI coding boom. According to Lightrun's 2026 State of AI-Powered Engineering Report , shared exclusively with VentureBeat ahead of its public release, 43% of AI-generated code changes require manual debugging in production environments even after passing quality assurance and staging tests. Not a single respondent said their organization could verify an AI-suggested fix with just one redeploy cycle; 88% reported needing two to three cycles, while 11% required four to six. The findings land at a moment when AI-generated code is proliferating across global enterprises at a breathtaking pace. Both Microsoft CEO Satya Nadella and Google CEO Sundar Pichai have claimed that around a quarter of their companies' code is now AI-generated. The AIOps market — the ecosystem of platforms and services designed to manage and monitor these AI-driven operations — stands at $18.95 billion in 2026 and is projected to reach $37.79 billion by 2031. Yet the report suggests the infrastructure meant to catch AI-generated mistakes is badly lagging behind AI's capacity to produce them. \"The 0% figure signals that engineering is hitting a trust wall with AI adoption,\" said Or Maimon, Lightrun's chief business officer, referring to the survey's finding that zero percent of engineering leaders described themselves as \"very confident\" that AI-generated code will behave correctly once deployed. \"While the industry's emphasis on increased productivity has made AI a necessity, we are seeing a direct negative impact. As AI-generated code enters the system, it doesn't just increase volume; it slows down the entire deployment pipeline.\" Amazon's March outages showed what happens when AI-generated code ships without safeguards The dangers are no longer theoretical. In early March 2026, Amazon suffered a series of high-profile outages that underscored exactly the kind of failure pattern the Lightrun survey describes. On March 2, Amazon.com experienced a disruption lasting nearly six hours, resulting in 120,000 lost orders and 1.6 million website errors. Three days later, on March 5, a more severe outage hit the storefront — lasting six hours and causing a 99% drop in U.S. order volume, with approximately 6.3 million lost orders. Both incidents were traced to AI-assisted code changes deployed to production without proper approval. The fallout was swift. Amazon launched a 90-day code safety reset across 335 critical systems, and AI-assisted code changes must now be approved by senior engineers before they are deployed. Maimon pointed directly to the Amazon episodes. \"This uncertainty isn't based on a hypothesis,\" he said. \"We just need to look back to the start of March, when Amazon.com in North America went down due to an AI-assisted change being implemented without established safeguards.\" The Amazon incidents illustrate the central tension the Lightrun report quantifies in survey data: AI tools can produce code at unprecedented speed, but the systems designed to validate, monitor, and trust that code in live environments have not kept pace. Google's own 2025 DORA report corroborates this dynamic, finding that AI adoption correlates with an increase in code instability, and that 30% of developers report little or no trust in AI-generated code. Maimon cited that research directly: \"Google's 2025 DORA report found that AI adoption correlates with an almost 10% increase in code instability. Our validation processes were built for the scale of human engineering, but today, engineers have become auditors for massive volumes of unfamiliar code.\" Developers are losing two days a week to debugging AI-generated code they didn't write One of the report's most striking findings is the scale of human capital being consumed by AI-related verification work. Developers now spend an average of 38% of their work week — roughly two full days — on debugging, verification, and environment-specific troubleshooting, according to the survey. For 88% of the companies polled, this \"reliability tax\" consumes between 26% and 50% of their developers' weekly capacity. This is not the productivity dividend that enterprise leaders expected when they invested in AI coding assistants. Instead, the engineering bottleneck has simply migrated. Code gets written faster, but it takes far longer to confirm that it works. \"In some senses, AI has made the debugging problem worse,\" Maimon said. \"The volume of change is overwhelming human validation, while the generated code itself frequently does not behave as expected when deployed in Production. AI coding agents cannot see how their code behaves in running environments.\" The redeploy problem compounds the time drain. Every surveyed organization requires multiple deployment cycles to verify a single AI-suggested fix — and according to Google's 2025 DORA report , a single redeploy cycle takes a day to one week on average. In regulated industries such as healthcare and finance, deployment windows are often narrow, governed by mandated code freezes and strict change-management protocols. Requiring three or more cycles to validate a single AI fix can push resolution timelines from days to weeks. Maimon rejected the idea that these multiple cycles represent prudent engineering discipline. \"This is not discipline, but an expensive bottleneck and a symptom of the fact that AI-generated fixes are often unreliable,\" he said. \"If we can move from three cycles to one, we reclaim a massive portion of that 38% lost engineering capacity.\" AI monitoring tools can't see what's happening inside running applications — and that's the real problem If the productivity drain is the most visible cost, the Lightrun report argues the deeper structural problem is what it calls \"the runtime visibility gap\" — the inability of AI tools and existing monitoring systems to observe what is actually happening inside running applications. Sixty percent of the survey's respondents identified a lack of visibility into live system behavior as the primary bottleneck in resolving production incidents. In 44% of cases where AI SRE or application performance monitoring tools attempted to investigate production issues, they failed because the necessary execution-level data — variable states, memory usage, request flow — had never been captured in the first place. The report paints a picture of AI tools operating essentially blind in the environments that matter most. Ninety-seven percent of engineering leaders said their AI SRE agents operate without significant visibility into what is actually happening in production. Approximately half of all companies (49%) reported their AI agents have only limited visibility into live execution states. Only 1% reported extensive visibility, and not a single respondent claimed full visibility. This is the gap that turns a minor software bug into a costly outage. When an AI-suggested fix fails in production — as 43% of them do — engineers cannot rely on their AI tools to diagnose the problem, because those tools cannot observe the code's real-time behavior. Instead, teams fall back on what the report calls \"tribal knowledge\": the institutional memory of senior engineers who have seen similar problems before and can intuit the root cause from experience rather than data. The survey found that 54% of resolutions to high-severity incidents rely on tribal knowledge rather than diagnostic evidence from AI SREs or APMs. In finance, 74% of engineering teams trust human intuition over AI diagnostics during serious incidents The trust deficit plays out with particular intensity in the finance sector. In an industry where a single application error can cascade into millions of dollars in losses per minute, the survey found that 74% of financial-services engineering teams rely on tribal knowledge over automated diagnostic data during serious incidents — far higher than the 44% figure in the technology sector. \"Finance is a heavily regulated, high-stakes environment where a single application error can cost millions of dollars per minute,\" Maimon said. \"The data shows that these teams simply do not trust AI not to make a dangerous mistake in their Production environments. This is a rational response to tool failure.\" The distrust extends beyond finance. Perhaps the most telling data point in the entire report is that not a single organization surveyed — across any industry — has moved its AI SRE tools into actual production workflows. Ninety percent remain in experimental or pilot mode. The remaining 10% evaluated AI SRE tools and chose not to adopt them at all. This represents an extraordinary gap between market enthusiasm and operational reality: enterprises are spending aggressively on AI for IT operations, but the tools they are buying remain quarantined from the environments where they would deliver the most value. Maimon described this as one of the report's most significant revelations. \"Leaders are eager to adopt these new AI tools, but they don't trust AI to touch live environments,\" he said. \"The lack of trust is shown in the data; 98% have lower trust in AI operating in production than in coding assistants.\" The observability industry built for human-speed engineering is falling short in the age of AI The findings raise pointed questions about the current generation of observability tools from major vendors like Datadog , Dynatrace , and Splunk . Seventy-seven percent of the engineering leaders surveyed reported low or no confidence that their current observability stack provides enough information to support autonomous root cause analysis or automated incident remediation. Maimon did not shy away from naming the structural problem. \"Major vendors often build 'closed-garden' ecosystems where their AI SREs can only reason over data collected by their own proprietary agents,\" he said. \"In a modern enterprise, teams typically have a multi-tool stack to provide full coverage. By forcing a team into a single-vendor silo, these tools create an uncomfortable dependency and a strategic liability: if the vendor's data coverage is missing a specific layer, the AI is effectively blind to the root cause.\" The second issue, Maimon argued, is that current observability-backed AI SRE solutions offer only partial visibility — defined by what engineers thought to log at the time of deployment. Because failures rarely follow predefined paths, autonomous root cause analysis using only these tools will frequently miss the key diagnostic evidence. \"To move toward true autonomous remediation,\" he said, \"the industry must shift toward AI SRE without vendor lock-in; AI SREs must be an active participant that can connect across the entire stack and interrogate live code to capture the ground truth of a failure as it happens.\" When asked what it would take to trust AI SREs, the survey's respondents coalesced unanimously around live runtime visibility. Fifty-eight percent said they need the ability to provide \"evidence traces\" of variables at the point of failure, and 42% cited the ability to verify a suggested fix before it actually deploys. No respondents selected the ability to ingest multiple log sources or provide better natural language explanations — suggesting that engineering leaders do not want AI that talks better, but AI that can see better. The question is no longer whether to use AI for coding — it's whether anyone can trust what it produces The survey was administered by Global Surveyz Research , an independent firm, and drew responses from Directors, VPs, and C-level executives in SRE and DevOps roles at enterprises with 1,500 or more employees across the finance, technology, and information technology sectors. Responses were collected during January and February 2026, with questions randomized to prevent order bias. Lightrun , which is backed by $110 million in funding from Accel and Insight Partners and counts AT&T , Citi , Microsoft , Salesforce , and UnitedHealth Group among its enterprise clients, has a clear commercial interest in the problem the report describes: the company sells a runtime observability platform designed to give AI agents and human engineers real-time visibility into live code execution. Its AI SRE product uses a Model Context Protocol connection to generate live diagnostic evidence at the point of failure without requiring redeployment. That commercial interest does not diminish the survey's findings, which align closely with independent research from Google DORA and the real-world evidence of the Amazon outages. Taken together, they describe an industry confronting an uncomfortable paradox. AI has solved the slowest part of building software — writing the code — only to reveal that writing was never the hard part. The hard part was always knowing whether it works. And on that question, the engineers closest to the problem are not optimistic. \"If the live visibility gap is not closed, then teams are really just compounding instability through their adoption of AI,\" Maimon said. \"Organizations that don't bridge this gap will find themselves stuck with long redeploy loops, to solve ever more complex challenges. They will lose their competitive speed to the very AI tools that were meant to provide it.\" The machines learned to write the code. Nobody taught them to watch it run.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/5nAHuSU7TlSixVhQbV3Zpy\/f97f9591cd1d877db961dac2be53b6cc\/nuneybits_Vector_art_of_developer_mopping_code_spill_dbcceaac-fb6e-4e63-90cf-5774d34a0f44.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/43-of-ai-generated-code-changes-need-debugging-in-production-survey-finds",
            "date": "2026-04-14",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "وجد الاستطلاع أن 43% من تغييرات التعليمات البرمجية التي تم إنشاؤها بواسطة الذكاء الاصطناعي تحتاج إلى تصحيح الأخطاء في الإنتاج",
            "summary_ar": "تتسابق صناعة البرمجيات لكتابة الأكواد البرمجية باستخدام الذكاء الاصطناعي. إنها تكافح بشدة للتأكد من أن الكود سيصمد بمجرد شحنه. ترسم دراسة استقصائية أجريت على 200 من كبار قادة موثوقية المواقع وDevOps في المؤسسات الكبيرة في جميع أنحاء الولايات المتحدة والمملكة المتحدة والاتحاد الأوروبي صورة صارخة للتكاليف الخفية المضمنة في طفرة ترميز الذكاء الاصطناعي. وفقًا لتقرير Lightrun لعام 2026 عن حالة الهندسة المدعومة بالذكاء الاصطناعي، والذي تمت مشاركته حصريًا مع VentureBeat قبل إصداره العام، فإن 43% من تغييرات التعليمات البرمجية التي تم إنشاؤها بواسطة الذكاء الاصطناعي تتطلب تصحيح الأخطاء يدويًا في بيئات الإنتاج حتى بعد اجتياز اختبارات ضمان الجودة والتدريج. لم يقل أي من المشاركين أن مؤسستهم يمكنها التحقق من الإصلاح الذي اقترحه الذكاء الاصطناعي من خلال دورة إعادة نشر واحدة فقط؛ أفاد 88٪ أنهم بحاجة إلى دورتين إلى ثلاث دورات، هل",
            "body_ar": "تتسابق صناعة البرمجيات لكتابة الأكواد البرمجية باستخدام الذكاء الاصطناعي. إنها تكافح بشدة للتأكد من أن الكود سيصمد بمجرد شحنه. ترسم دراسة استقصائية أجريت على 200 من كبار قادة موثوقية المواقع وDevOps في المؤسسات الكبيرة في جميع أنحاء الولايات المتحدة والمملكة المتحدة والاتحاد الأوروبي صورة صارخة للتكاليف الخفية المضمنة في طفرة ترميز الذكاء الاصطناعي. وفقًا لتقرير Lightrun لعام 2026 عن حالة الهندسة المدعومة بالذكاء الاصطناعي، والذي تمت مشاركته حصريًا مع VentureBeat قبل إصداره العام، فإن 43% من تغييرات التعليمات البرمجية التي تم إنشاؤها بواسطة الذكاء الاصطناعي تتطلب تصحيح الأخطاء يدويًا في بيئات الإنتاج حتى بعد اجتياز اختبارات ضمان الجودة والتدريج. لم يقل أي من المشاركين أن مؤسستهم يمكنها التحقق من الإصلاح الذي اقترحه الذكاء الاصطناعي من خلال دورة إعادة نشر واحدة فقط؛ أفاد 88% منهن أنهن بحاجة إلى دورتين إلى ثلاث دورات، في حين أن 11% احتاجن إلى أربع إلى ست دورات. تأتي هذه النتائج في وقت تنتشر فيه التعليمات البرمجية التي ينشئها الذكاء الاصطناعي عبر المؤسسات العالمية بوتيرة مذهلة. ادعى كل من الرئيس التنفيذي لشركة مايكروسوفت ساتيا ناديلا والرئيس التنفيذي لشركة جوجل ساندر بيتشاي أن حوالي ربع كود شركتيهما تم إنشاؤه الآن بواسطة الذكاء الاصطناعي. يبلغ حجم سوق AIOps – النظام البيئي للمنصات والخدمات المصممة لإدارة ومراقبة هذه العمليات التي تعتمد على الذكاء الاصطناعي – 18.95 مليار دولار في عام 2026 ومن المتوقع أن يصل إلى 37.79 مليار دولار بحلول عام 2031. ومع ذلك، يشير التقرير إلى أن البنية التحتية التي تهدف إلى اكتشاف الأخطاء الناتجة عن الذكاء الاصطناعي تتخلف بشدة عن قدرة الذكاء الاصطناعي على إنتاجها. وقال أور ميمون، كبير مسؤولي الأعمال في Lightrun، \"يشير الرقم 0% إلى أن الهندسة تصطدم بجدار الثقة من خلال اعتماد الذكاء الاصطناعي\"، في إشارة إلى نتيجة الاستطلاع التي مفادها أن صفر بالمائة من قادة الهندسة وصفوا أنفسهم بأنهم \"واثقون جدًا\" من أن التعليمات البرمجية التي ينشئها الذكاء الاصطناعي سوف تتصرف بشكل صحيح بمجرد نشرها. \"في حين أن تركيز الصناعة على زيادة الإنتاجية جعل الذكاء الاصطناعي ضرورة، فإننا نشهد تأثيرًا سلبيًا مباشرًا. فمع دخول التعليمات البرمجية المولدة بواسطة الذكاء الاصطناعي إلى النظام، فإنها لا تزيد الحجم فحسب، بل إنها تبطئ عملية النشر بأكملها.\" أظهر انقطاع خدمة أمازون في شهر مارس\/آذار ما يحدث عندما يتم إرسال التعليمات البرمجية التي ينشئها الذكاء الاصطناعي دون ضمانات. ولم تعد المخاطر نظرية. في أوائل مارس 2026، عانت أمازون من سلسلة من الانقطاعات البارزة التي أكدت بالضبط نوع نمط الفشل الذي وصفه استطلاع Lightrun. في 2 مارس، تعرض موقع Amazon.com لخلل استمر ما يقرب من ست ساعات، مما أدى إلى فقدان 120 ألف طلب و1.6 مليون خطأ في موقع الويب. وبعد ثلاثة أيام، في 5 مارس، حدث انقطاع شديد في واجهة المتجر، واستمر لمدة ست ساعات وتسبب في انخفاض بنسبة 99% في حجم الطلبات في الولايات المتحدة، مع فقدان ما يقرب من 6.3 مليون طلب. تم إرجاع كلا الحادثتين إلى تغييرات التعليمات البرمجية بمساعدة الذكاء الاصطناعي التي تم نشرها في الإنتاج دون الحصول على الموافقة المناسبة. وكانت التداعيات سريعة. أطلقت أمازون عملية إعادة ضبط سلامة التعليمات البرمجية لمدة 90 يومًا عبر 335 نظامًا مهمًا، ويجب الآن الموافقة على تغييرات التعليمات البرمجية المدعومة بالذكاء الاصطناعي من قبل كبار المهندسين قبل نشرها. وأشار ميمون مباشرة إلى حلقات أمازون. وقال \"إن عدم اليقين هذا لا يستند إلى فرضية\". \"نحتاج فقط إلى النظر إلى بداية شهر مارس، عندما تعطل موقع Amazon.com في أمريكا الشمالية بسبب التغيير المدعوم بالذكاء الاصطناعي الذي تم تنفيذه دون ضمانات راسخة.\" توضح حوادث أمازون التوتر المركزي الذي يقيسه تقرير Lightrun في بيانات المسح: يمكن لأدوات الذكاء الاصطناعي إنتاج تعليمات برمجية بسرعة غير مسبوقة، لكن الأنظمة المصممة للتحقق من صحة التعليمات البرمجية ومراقبتها والثقة بها في البيئات الحية لم تواكب هذه الوتيرة. ويؤكد تقرير DORA لعام 2025 الخاص بشركة Google هذه الديناميكية، حيث وجد أن اعتماد الذكاء الاصطناعي يرتبط بزيادة في عدم استقرار التعليمات البرمجية، وأن 30% من المطورين أبلغوا عن ثقة ضئيلة أو معدومة في التعليمات البرمجية التي ينشئها الذكاء الاصطناعي. استشهد ميمون بهذا البحث مباشرة: \"وجد تقرير DORA لعام 2025 من Google أن اعتماد الذكاء الاصطناعي يرتبط بزيادة قدرها 10% تقريبًا في عدم استقرار الكود. لقد تم تصميم عمليات التحقق الخاصة بنا لتناسب حجم الهندسة البشرية، ولكن اليوم، أصبح المهندسون مدققين لكميات هائلة من التعليمات البرمجية غير المألوفة. يقضي المطورون الآن ما متوسطه 38% من أسبوع عملهم - ما يقرب من يومين كاملين - في تصحيح الأخطاء والتحقق واستكشاف الأخطاء وإصلاحها الخاصة بالبيئة، وفقًا للاستطلاع. بالنسبة لـ 88% من الشركات التي شملها الاستطلاع، تستهلك \"ضريبة الموثوقية\" هذه ما بين 26% إلى 50% من القدرة الأسبوعية لمطوريها. هذه ليست أرباح الإنتاجية التي توقعها قادة المؤسسات عندما استثمروا في مساعدي البرمجة بالذكاء الاصطناعي. وبدلاً من ذلك، انتقل عنق الزجاجة الهندسي بكل بساطة. تتم كتابة التعليمات البرمجية بشكل أسرع، ولكن الأمر يستغرق وقتًا أطول بكثير للتأكد من أنها تعمل. وقال ميمون: \"في بعض النواحي، أدى الذكاء الاصطناعي إلى تفاقم مشكلة تصحيح الأخطاء\". \"إن حجم التغيير يفوق التحقق البشري، في حين أن التعليمات البرمجية التي تم إنشاؤها نفسها لا تتصرف في كثير من الأحيان كما هو متوقع عند نشرها في الإنتاج. ولا يمكن لوكلاء ترميز الذكاء الاصطناعي رؤية كيفية تصرف التعليمات البرمجية الخاصة بهم في البيئات الجارية.\" مشكلة إعادة النشر تؤدي إلى تفاقم استنزاف الوقت. تتطلب كل مؤسسة تم استطلاعها دورات نشر متعددة للتحقق من إصلاح واحد يقترحه الذكاء الاصطناعي - ووفقًا لتقرير DORA لعام 2025 من Google، تستغرق دورة إعادة النشر الواحدة يومًا إلى أسبوع واحد في المتوسط. في الصناعات الخاضعة للتنظيم مثل الرعاية الصحية والتمويل، غالبًا ما تكون نوافذ النشر ضيقة، وتحكمها عمليات تجميد التعليمات البرمجية الإلزامية وبروتوكولات إدارة التغيير الصارمة. إن طلب ثلاث دورات أو أكثر للتحقق من صحة إصلاح واحد للذكاء الاصطناعي يمكن أن يؤدي إلى تأخير الجداول الزمنية للحل من أيام إلى أسابيع. رفض ميمون فكرة أن هذه الدورات المتعددة تمثل انضباطًا هندسيًا حكيمًا. وقال: \"هذا ليس انضباطا، ولكنه عنق الزجاجة باهظ الثمن وأحد أعراض حقيقة أن الإصلاحات التي يولدها الذكاء الاصطناعي غالبا ما تكون غير موثوقة\". \"إذا تمكنا من الانتقال من ثلاث دورات إلى دورة واحدة، فسنستعيد جزءًا كبيرًا من تلك القدرة الهندسية المفقودة بنسبة 38٪.\" لا تستطيع أدوات مراقبة الذكاء الاصطناعي رؤية ما يحدث داخل التطبيقات قيد التشغيل - وهذه هي المشكلة الحقيقية. إذا كان استنزاف الإنتاجية هو التكلفة الأكثر وضوحًا، فإن تقرير Lightrun يقول إن المشكلة الهيكلية الأعمق هي ما يطلق عليه \"فجوة الرؤية في وقت التشغيل\" - عدم قدرة أدوات الذكاء الاصطناعي وأنظمة المراقبة الحالية على مراقبة ما يحدث بالفعل داخل التطبيقات قيد التشغيل التطبيقات. حدد ستون بالمائة من المشاركين في الاستطلاع الافتقار إلى الرؤية حول سلوك النظام المباشر باعتباره عنق الزجاجة الرئيسي في حل حوادث الإنتاج. في 44% من الحالات التي حاولت فيها AI SRE أو أدوات مراقبة أداء التطبيق التحقيق في مشكلات الإنتاج، فشلت لأن البيانات الضرورية على مستوى التنفيذ - الحالات المتغيرة، واستخدام الذاكرة، وتدفق الطلبات - لم يتم التقاطها مطلقًا في المقام الأول. يرسم التقرير صورة لأدوات الذكاء الاصطناعي التي تعمل بشكل أساسي بشكل أعمى في البيئات الأكثر أهمية. قال سبعة وتسعون بالمائة من قادة الهندسة أن وكلاء AI SRE لديهم يعملون دون رؤية واضحة لما يحدث فعليًا في الإنتاج. أفاد ما يقرب من نصف الشركات (49٪) أن عملاء الذكاء الاصطناعي لديهم رؤية محدودة فقط في حالات التنفيذ المباشر. أبلغ 1% فقط عن رؤية واسعة النطاق، ولم يطالب أي من المشاركين بالرؤية الكاملة. هذه هي الفجوة التي تحول خطأً بسيطًا في البرنامج إلى انقطاع مكلف. عندما يفشل الإصلاح الذي يقترحه الذكاء الاصطناعي في الإنتاج - كما يفعل 43% منهم - لا يستطيع المهندسون الاعتماد على أدوات الذكاء الاصطناعي الخاصة بهم لتشخيص المشكلة، لأن هذه الأدوات لا يمكنها مراقبة سلوك التعليمات البرمجية في الوقت الفعلي. وبدلا من ذلك، تلجأ الفرق إلى ما يسميه التقرير \"المعرفة القبلية\": الذاكرة المؤسسية لكبار المهندسين الذين شهدوا مشاكل مماثلة من قبل ويمكنهم استنتاج السبب الجذري من خلال الخبرة بدلا من البيانات. ووجد الاستطلاع أن 54% من الحلول للحوادث شديدة الخطورة تعتمد على المعرفة القبلية بدلاً من الأدلة التشخيصية من الذكاء الاصطناعي SREs أو APMs. في مجال التمويل، 74% من الفرق الهندسية تثق في الحدس البشري أكثر من تشخيص الذكاء الاصطناعي أثناء الحوادث الخطيرة. ويبرز نقص الثقة بشكل حاد بشكل خاص في القطاع المالي. في صناعة يمكن أن يؤدي فيها خطأ تطبيق واحد إلى خسائر بملايين الدولارات في الدقيقة، وجد الاستطلاع أن 74% من فرق هندسة الخدمات المالية تعتمد على المعرفة القبلية بشأن بيانات التشخيص الآلية أثناء الحوادث الخطيرة - وهي نسبة أعلى بكثير من الرقم 44% في قطاع التكنولوجيا. وقال ميمون: \"إن الشؤون المالية هي بيئة شديدة التنظيم وعالية المخاطر، حيث يمكن أن يكلف خطأ واحد في التطبيق ملايين الدولارات في الدقيقة\". \"تُظهر البيانات أن هذه الفرق ببساطة لا تثق في الذكاء الاصطناعي حتى لا يرتكب خطأً خطيرًا في بيئات الإنتاج الخاصة بهم. وهذه استجابة عقلانية لفشل الأداة.\" ويمتد انعدام الثقة إلى ما هو أبعد من التمويل. ربما تكون نقطة البيانات الأكثر دلالة في التقرير بأكمله هي أنه لم تقم أي منظمة شملها الاستطلاع - عبر أي صناعة - بنقل أدوات الذكاء الاصطناعي SRE الخاصة بها إلى سير عمل الإنتاج الفعلي. يظل تسعون بالمائة في الوضع التجريبي أو التجريبي. وقام الـ 10% الباقون بتقييم أدوات الذكاء الاصطناعي SRE واختاروا عدم اعتمادها على الإطلاق. ويمثل هذا فجوة غير عادية بين حماس السوق والواقع التشغيلي: تنفق الشركات بقوة على الذكاء الاصطناعي لعمليات تكنولوجيا المعلومات، ولكن الأدوات التي تشتريها تظل معزولة عن البيئات التي من شأنها أن تقدم فيها أكبر قيمة. ووصف ميمون هذا بأنه أحد أهم ما كشف عنه التقرير. وقال: \"إن القادة حريصون على اعتماد أدوات الذكاء الاصطناعي الجديدة هذه، لكنهم لا يثقون في قدرة الذكاء الاصطناعي على التأثير في البيئات الحية\". \"يظهر انعدام الثقة في البيانات؛ 98% لديهم ثقة أقل في الذكاء الاصطناعي العامل في الإنتاج مقارنة بمساعدي البرمجة.\" إن صناعة إمكانية الملاحظة المصممة لهندسة السرعة البشرية لا تزال قاصرة في عصر الذكاء الاصطناعي. وتثير النتائج أسئلة محددة حول الجيل الحالي من أدوات إمكانية المراقبة من كبار البائعين مثل Datadog وDynatrace وSplunk. أفاد سبعة وسبعون بالمائة من قادة الهندسة الذين شملهم الاستطلاع عن ثقة منخفضة أو معدومة في أن مجموعة أدوات المراقبة الحالية الخاصة بهم توفر معلومات كافية لدعم تحليل السبب الجذري المستقل أو المعالجة الآلية للحوادث. لم يخجل ميمون من تسمية المشكلة البنيوية. وقال: \"غالبًا ما يبني كبار البائعين أنظمة إيكولوجية مغلقة حيث لا يمكن لـ AI SREs الخاصة بهم سوى التفكير في البيانات التي يجمعها وكلاء الملكية الخاصة بهم\". \"في المؤسسات الحديثة، تمتلك الفرق عادةً مجموعة أدوات متعددة لتوفير التغطية الكاملة. من خلال إجبار فريق على العمل في صومعة بائع واحد، تخلق هذه الأدوات تبعية غير مريحة ومسؤولية استراتيجية: إذا كانت تغطية بيانات البائع تفتقد طبقة معينة، فإن الذكاء الاصطناعي يتعامى بشكل فعال عن السبب الجذري. ونظرًا لأن حالات الفشل نادرًا ما تتبع مسارات محددة مسبقًا، فإن تحليل السبب الجذري المستقل باستخدام هذه الأدوات فقط سوف يفتقد الأدلة التشخيصية الرئيسية في كثير من الأحيان. وقال: \"للتحرك نحو العلاج المستقل الحقيقي، يجب أن تتحول الصناعة نحو AI SRE دون تقييد البائع؛ ويجب أن تكون AI SREs مشاركًا نشطًا يمكنه الاتصال عبر المجموعة بأكملها واستجواب التعليمات البرمجية الحية لالتقاط الحقيقة الأساسية للفشل عند حدوثه.\" عندما سُئلوا عما يتطلبه الأمر للوثوق في وحدات SRE الخاصة بالذكاء الاصطناعي، أجمع المشاركون في الاستطلاع بالإجماع على إمكانية رؤية وقت التشغيل المباشر. وقال 58% إنهم بحاجة إلى القدرة على توفير \"آثار أدلة\" للمتغيرات عند نقطة الفشل، وأشار 42% إلى القدرة على التحقق من الإصلاح المقترح قبل نشره فعليًا. لم يختار أي من المشاركين القدرة على استيعاب مصادر سجلات متعددة أو تقديم تفسيرات أفضل للغة الطبيعية - مما يشير إلى أن قادة الهندسة لا يريدون الذكاء الاصطناعي الذي يتحدث بشكل أفضل، ولكن الذكاء الاصطناعي الذي يمكنه الرؤية بشكل أفضل. لم يعد السؤال هو ما إذا كان يجب استخدام الذكاء الاصطناعي للبرمجة أم لا، بل ما إذا كان يمكن لأي شخص أن يثق في ما ينتجه. تمت إدارة الاستطلاع من قبل شركة Global Surveyz Research، وهي شركة مستقلة، واستقطبت ردودًا من المديرين ونواب الرئيس والمديرين التنفيذيين على المستوى التنفيذي في أدوار SRE و DevOps في المؤسسات التي يعمل بها 1500 موظف أو أكثر عبر قطاعات التمويل والتكنولوجيا وتكنولوجيا المعلومات. تم جمع الإجابات خلال شهري يناير وفبراير 2026، مع توزيع الأسئلة بشكل عشوائي لمنع تحيز الطلب. Lightrun، المدعومة بتمويل قدره 110 ملايين دولار من Accel وInsight Partners وتضم AT&T وCiti وMicrosoft وSalesforce وUnitedHealth Group من بين عملائها من المؤسسات، لديها مصلحة تجارية واضحة في المشكلة التي يصفها التقرير: تبيع الشركة نظامًا أساسيًا لقابلية المراقبة في وقت التشغيل مصممًا لمنح وكلاء الذكاء الاصطناعي والمهندسين البشريين رؤية في الوقت الفعلي لتنفيذ التعليمات البرمجية المباشرة. يستخدم منتج AI SRE اتصال بروتوكول السياق النموذجي لإنشاء أدلة تشخيصية حية عند نقطة الفشل دون الحاجة إلى إعادة النشر. لا يقلل هذا الاهتمام التجاري من نتائج الاستطلاع، والتي تتوافق بشكل وثيق مع الأبحاث المستقلة التي أجرتها Google DORA والأدلة الواقعية على انقطاع خدمة Amazon. وهي تصف مجتمعة صناعة تواجه مفارقة غير مريحة. لقد نجح الذكاء الاصطناعي في حل أبطأ جزء من بناء البرمجيات، ألا وهو كتابة التعليمات البرمجية، ليكشف أن الكتابة لم تكن أبدًا الجزء الأصعب. كان الجزء الصعب هو معرفة ما إذا كان يعمل دائمًا. وفيما يتعلق بهذا السؤال، فإن المهندسين الأقرب إلى المشكلة ليسوا متفائلين. وقال ميمون: \"إذا لم يتم سد فجوة الرؤية المباشرة، فإن الفرق تفاقم عدم الاستقرار من خلال اعتمادها على الذكاء الاصطناعي\". \"المنظمات التي لا تسد هذه الفجوة ستجد نفسها عالقة في حلقات طويلة من إعادة النشر لحل التحديات الأكثر تعقيدًا. وسوف تفقد سرعتها التنافسية أمام أدوات الذكاء الاصطناعي ذاتها التي كان من المفترض أن توفرها.\" تعلمت الآلات كتابة الكود. لم يعلمهم أحد أن يشاهدوه يجري.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/14\/1135298\/coming-soon-10-things-that-matter-in-ai-right-now\/",
            "title_en": "Coming soon: 10 Things That Matter in AI Right Now",
            "summary_en": "Each year we compile our 10 Breakthrough Technologies list, featuring our educated predictions for which technologies will have the biggest impact on how we live and work. This year, however, we had a dilemma. While our final picks encompass all our core coverage areas (energy, AI, and biotech, plus a few more), our 2026 list was harder to wrangle than normal. Why? We had so many worthy AI candidates we couldn’t fit them all in! (The ones that made it were AI companions , generative coding , and hyperscale data centers .) Many great ideas fell by the wayside to keep the list as wide-ranging as possible. Well, that got us thinking: What if we made an entirely new list that was all about AI? We got excited about that idea—and before we knew it we had the beginnings of what we’re calling 10 T",
            "body_en": "Each year we compile our 10 Breakthrough Technologies list, featuring our educated predictions for which technologies will have the biggest impact on how we live and work. This year, however, we had a dilemma. While our final picks encompass all our core coverage areas (energy, AI, and biotech, plus a few more), our 2026 list was harder to wrangle than normal. Why? We had so many worthy AI candidates we couldn’t fit them all in! (The ones that made it were AI companions , generative coding , and hyperscale data centers .) Many great ideas fell by the wayside to keep the list as wide-ranging as possible. Well, that got us thinking: What if we made an entirely new list that was all about AI? We got excited about that idea—and before we knew it we had the beginnings of what we’re calling 10 Things That Matter in AI Right Now . It’s an entirely new annual list that we’re proud to be publishing for the first time on April 21, 2026. We’ll unveil it on stage for attendees at our signature AI conference, EmTech AI, held on MIT’s campus ( it’s not too late to get tickets ), and then publish the list online later that day. The process for coming up with the list was similar to the way we pick our 10 Breakthrough Technologies. We petitioned our AI team of reporters and editors to propose ideas, put them all in a document, and engaged in some robust discussion. Eventually, we voted for our favorites and whittled the long list down to a final 10. But there’s a slight difference between this list and our 10 Breakthrough Technologies. AI is already such a big part of our lives that we didn’t want to restrict ourselves to nominating only technologies . Instead, we wanted to put together a definitive annual list that highlights what we believe are the biggest ideas, topics, and research directions in AI right now. So yes, it will include cutting-edge AI technologies, but it will also feature other trends and developments in AI that we want to bring to our subscribers’ attention. Think of it as a sneak peek inside the collective brain of our crack AI reporting team: These are the things that our reporters will be watching this year. We intend to follow the items on this list really closely, and you will see it reflected in the news and feature stories we publish in 2026. For us, 10 Things That Matter in AI Right Now is a guide to how we view the current AI landscape. It will be a source of discussion, debate, and maybe some arguments! We are so excited to share it with you on April 21. If you want to be among the first to see it— join us at EmTech AI or become a subscriber to livestream the announcement.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/Maxomatic-MIT-AI-Right-Now-Teaser-FINAL.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/14\/1135298\/coming-soon-10-things-that-matter-in-ai-right-now\/",
            "date": "2026-04-14",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "قريبًا: 10 أشياء مهمة في الذكاء الاصطناعي الآن",
            "summary_ar": "نقوم كل عام بتجميع قائمة التقنيات العشرة التي حققت اختراقًا، والتي تعرض توقعاتنا المدروسة بشأن التقنيات التي سيكون لها أكبر الأثر على طريقة حياتنا وعملنا. لكن هذا العام واجهنا معضلة. في حين أن اختياراتنا النهائية تشمل جميع مجالات التغطية الأساسية لدينا (الطاقة، الذكاء الاصطناعي، والتكنولوجيا الحيوية، بالإضافة إلى عدد قليل من المجالات الأخرى)، كان الجدل حول قائمتنا لعام 2026 أصعب من المعتاد. لماذا؟ كان لدينا الكثير من المرشحين الجديرين بالذكاء الاصطناعي ولم نتمكن من استيعابهم جميعًا! (الأفكار التي نجحت في تحقيق ذلك هي الذكاء الاصطناعي المصاحب، والتشفير التوليدي، ومراكز البيانات ذات الحجم الكبير.) وسقطت العديد من الأفكار العظيمة على جانب الطريق لإبقاء القائمة واسعة النطاق قدر الإمكان. حسنًا، هذا جعلنا نفكر: ماذا لو قمنا بإعداد قائمة جديدة تمامًا تدور حول الذكاء الاصطناعي؟ لقد تحمسنا لهذه الفكرة، وقبل أن نعرفها كانت لدينا بدايات ما نسميه 10",
            "body_ar": "نقوم كل عام بتجميع قائمة التقنيات العشرة التي حققت اختراقًا، والتي تعرض توقعاتنا المدروسة بشأن التقنيات التي سيكون لها أكبر الأثر على طريقة حياتنا وعملنا. لكن هذا العام واجهنا معضلة. في حين أن اختياراتنا النهائية تشمل جميع مجالات التغطية الأساسية لدينا (الطاقة، الذكاء الاصطناعي، والتكنولوجيا الحيوية، بالإضافة إلى عدد قليل من المجالات الأخرى)، كان الجدل حول قائمتنا لعام 2026 أصعب من المعتاد. لماذا؟ كان لدينا الكثير من المرشحين الجديرين بالذكاء الاصطناعي ولم نتمكن من استيعابهم جميعًا! (الأفكار التي نجحت في تحقيق ذلك هي الذكاء الاصطناعي المصاحب، والتشفير التوليدي، ومراكز البيانات ذات الحجم الكبير.) وسقطت العديد من الأفكار العظيمة على جانب الطريق لإبقاء القائمة واسعة النطاق قدر الإمكان. حسنًا، هذا جعلنا نفكر: ماذا لو قمنا بإعداد قائمة جديدة تمامًا تدور حول الذكاء الاصطناعي؟ لقد تحمسنا لهذه الفكرة، وقبل أن نعرفها كانت لدينا بدايات ما نطلق عليه \"10 أشياء مهمة في الذكاء الاصطناعي الآن\". إنها قائمة سنوية جديدة تمامًا نفخر بنشرها لأول مرة في 21 أبريل 2026. وسنكشف عنها على خشبة المسرح للحاضرين في مؤتمرنا المميز للذكاء الاصطناعي، EmTech AI، المنعقد في حرم معهد ماساتشوستس للتكنولوجيا (لم يفت الأوان بعد للحصول على التذاكر)، ثم ننشر القائمة عبر الإنترنت في وقت لاحق من ذلك اليوم. كانت عملية إعداد القائمة مشابهة للطريقة التي اخترنا بها التقنيات العشرة المتطورة. لقد طلبنا من فريق المراسلين والمحررين في مجال الذكاء الاصطناعي اقتراح أفكار، ووضعها جميعًا في مستند، والمشاركة في بعض المناقشات القوية. في نهاية المطاف، قمنا بالتصويت لصالح المفضلات لدينا وقمنا بتقليص القائمة الطويلة إلى آخر 10. ولكن هناك اختلاف بسيط بين هذه القائمة وبين التقنيات العشرة المتقدمة لدينا. يمثل الذكاء الاصطناعي بالفعل جزءًا كبيرًا من حياتنا لدرجة أننا لم نرغب في تقييد أنفسنا بترشيح التقنيات فقط. وبدلاً من ذلك، أردنا وضع قائمة سنوية نهائية تسلط الضوء على ما نعتقد أنه أكبر الأفكار والموضوعات والاتجاهات البحثية في مجال الذكاء الاصطناعي في الوقت الحالي. لذا، نعم، ستشمل تقنيات الذكاء الاصطناعي المتطورة، ولكنها ستحتوي أيضًا على اتجاهات وتطورات أخرى في الذكاء الاصطناعي التي نريد لفت انتباه مشتركينا إليها. فكر في الأمر على أنه نظرة خاطفة داخل العقل الجماعي لفريق إعداد تقارير الذكاء الاصطناعي لدينا: هذه هي الأشياء التي سيشاهدها مراسلونا هذا العام. نعتزم متابعة العناصر الموجودة في هذه القائمة عن كثب، وسترى ذلك ينعكس في الأخبار والقصص المميزة التي ننشرها في عام 2026. بالنسبة لنا، 10 أشياء مهمة في الذكاء الاصطناعي الآن هي دليل لكيفية رؤيتنا لمشهد الذكاء الاصطناعي الحالي. سيكون مصدراً للنقاش والجدال وربما بعض الحجج! نحن متحمسون جدًا لمشاركتها معكم في 21 أبريل. إذا كنت تريد أن تكون من بين أول من يراها، انضم إلينا في EmTech AI أو اشترك في البث المباشر للفيديو إعلان.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/is-anthropic-nerfing-claude-users-increasingly-report-performance",
            "title_en": "Is Anthropic 'nerfing' Claude? Users increasingly report performance degradation as leaders push back",
            "summary_en": "A growing number of developers and AI power users are taking to social media to accuse Anthropic of degrading the performance of Claude Opus 4.6 and Claude Code — intentionally or as an outcome of compute limits — arguing that the company’s flagship coding model feels less capable, less reliable and more wasteful with tokens than it did just weeks ago. The complaints have spread quickly on Github , X and Reddit over the past several weeks, with several high-reach posts alleging that Claude has become worse at sustained reasoning, more likely to abandon tasks midway through, and more prone to hallucinations or contradictions. Some users have framed the issue as “AI shrinkflation” — the idea that customers are paying the same price for a weaker product. Others have gone further, suggesting A",
            "body_en": "A growing number of developers and AI power users are taking to social media to accuse Anthropic of degrading the performance of Claude Opus 4.6 and Claude Code — intentionally or as an outcome of compute limits — arguing that the company’s flagship coding model feels less capable, less reliable and more wasteful with tokens than it did just weeks ago. The complaints have spread quickly on Github , X and Reddit over the past several weeks, with several high-reach posts alleging that Claude has become worse at sustained reasoning, more likely to abandon tasks midway through, and more prone to hallucinations or contradictions. Some users have framed the issue as “AI shrinkflation” — the idea that customers are paying the same price for a weaker product. Others have gone further, suggesting Anthropic may be throttling or otherwise tuning Claude downward during periods of heavy demand. Those claims remain unproven, and Anthropic employees have publicly denied that the company degrades models to manage capacity. At the same time, Anthropic has acknowledged real changes to usage limits and reasoning defaults in recent weeks, which has made the broader debate more combustible. VentureBeat has reached out to Anthropic for further clarification on the recent accusations, including whether any recent changes to reasoning defaults, context handling, throttling behavior, inference parameters or benchmark methodology could help explain the spike in complaints. We have also asked how Anthropic explains the recent benchmark-related claims and whether it plans to publish additional data that could reassure customers. As of publication time, we are awaiting a response. Viral user complaints, including from an AMD Senior Director, argue Claude has become less capable One of the most detailed public complaints originated as a GitHub issue filed by Stella Laurenzo on April 2, 2026, whose LinkedIn profile identifies her as Senior Director in AMD’s AI group. In that post, Laurenzo wrote that Claude Code had regressed to the point that it could not be trusted for complex engineering work, then backed that claim with a sprawling analysis of 6,852 Claude Code session files, 17,871 thinking blocks and 234,760 tool calls. The complaint argued that, starting in February, Claude’s estimated reasoning depth fell sharply while signs of poorer performance rose alongside it, including more premature stopping, more “simplest fix” behavior, more reasoning loops, and a measurable shift from research-first behavior to edit-first behavior. The post’s broader point was that for advanced engineering workflows, extended reasoning is not a luxury but part of what makes the model usable in the first place. That GitHub thread then escaped into the broader social media conversation, with X users including @Hesamation , who posted screenshots of Laurenzo's GitHub post to X on April 11, turning it into an even more viral talking point. That amplification mattered because it gave the wider “Claude is getting worse” narrative something more concrete than anecdotal frustration: a long, data-heavy post from a senior AI leader at a major chip company arguing that the regression was visible in logs, tool-use patterns and user corrections, not just gut feeling. Anthropic’s public response focused on separating perceived changes from actual model degradation. In a pinned follow-up on the same GitHub issue posted a week ago, Claude Code lead Boris Cherny thanked Laurenzo for the care and depth of the analysis but disputed its main conclusion. Cherny said the “redact-thinking-2026-02-12” header cited in the complaint is a UI-only change that hides thinking from the interface and reduces latency, but “does not impact thinking itself,” “thinking budgets,” or how extended reasoning works under the hood. He also said two other product changes likely affected what users were seeing: Opus 4.6’s move to adaptive thinking by default on Feb. 9, and a March 3 shift to medium effort, or effort level 85, as the default for Opus 4.6, which he said Anthropic viewed as the best balance across intelligence, latency and cost for most users. Cherny added that users who want more extended reasoning can manually switch effort higher by typing \/effort high in Claude Code terminal sessions. That exchange gets at the core of the controversy. Critics like Laurenzo argue that Claude’s behavior in demanding coding workflows has plainly worsened and point to logs and usage patterns as evidence. Anthropic, by contrast, is not saying nothing changed. It is saying the biggest recent changes were product and interface choices that affect what users see and how much effort the system expends by default, not a secret downgrade of the underlying model. That distinction may be technically important, but for power users who feel the product is delivering worse results, it is not necessarily a satisfying one. External coverage from TechRadar and PC Gamer further amplified Laurenzo's post and larger wave of agreement from some power users. Another viral post on X from developer Om Patel on April 7 made the same argument in even more direct terms, claiming that someone had “actually measured” how much “dumber” Claude had gotten and summarizing the result as a 67% drop. That post helped popularize the “AI shrinkflation” label and pushed the controversy beyond hard-core Claude Code users into the broader AI discourse on X. These claims have resonated because they map closely onto what many frustrated users say they are seeing in practice: more unfinished tasks, more backtracking, more token burn and a stronger sense that Claude is less willing to reason deeply through complicated coding jobs than it was earlier this year. Benchmark posts turned anecdotal frustration into a public controversy The loudest benchmark-based claim came from BridgeMind, which runs the BridgeBench hallucination benchmark. On April 12, the account posted that Claude Opus 4.6 had fallen from 83.3% accuracy and a No. 2 ranking in an earlier result to 68.3% accuracy and No. 10 in a new retest, calling that proof that “Claude Opus 4.6 is nerfed.” That post spread widely and became one of the main anchors for the broader public case that Anthropic had degraded the model. Other users also circulated benchmark-related or test-based posts suggesting that Opus 4.6 was underperforming versus Opus 4.5 in practical coding tasks. Still other posts pointed to TerminalBench-related results as supposed evidence that the model’s behavior had changed in certain harnesses or product contexts. The effect was cumulative: benchmark screenshots, side-by-side tests and anecdotal frustration all began reinforcing one another in public. That matters because benchmark claims tend to travel farther than more subjective complaints. A developer saying a model “feels worse” is one thing. A screenshot showing a ranking drop from No. 2 to No. 10, or a dramatic percentage swing in accuracy, gives the appearance of hard proof, even when the underlying comparison may be more complicated. Critics of the benchmark claims say the evidence is weaker than it looks The most important rebuttal to the BridgeBench claim did not come from Anthropic. It came from Paul Calcraft, an outside software and AI researcher on X , who argued that the viral comparison was misleading because the earlier Opus 4.6 result was based on only six tasks while the later one was based on 30. In his words, it was a “DIFFERENT BENCHMARK.” He also said that on the six tasks the two runs shared in common, Claude’s score moved only modestly, from 87.6% previously to 85.4% in the later run, and that the bigger swing appeared to come mostly from a single fabrication result without repeats. He characterized that as something that could easily fall within ordinary statistical noise. That outside rebuttal matters because it undercuts one of the cleanest and most viral claims in circulation. It does not prove users are wrong to think something has changed. But it does suggest that at least some of the benchmark evidence now driving the story may be overstated, poorly normalized or not directly comparable. Even the BridgeBench post itself drew a community note to similar effect. The note said the two benchmark runs covered different scopes — six tasks in one case and 30 in the other — and that the common-task subset showed only a minor change. That does not make the later result meaningless, but it weakens the strongest version of the “BridgeBench proved it” argument. This is now a key feature of the controversy: the claims are not all equally strong. Some are grounded in first-hand user experience. Some point to real product changes. Some rely on benchmark comparisons that may not be apples-to-apples. And some depend on inferences about hidden system behavior that users outside Anthropic cannot directly verify. Earlier capacity limits gave users a reason to suspect more changes under the hood The current backlash also lands in the shadow of a real, confirmed Anthropic policy change from late March. On March 26, Anthropic technical staffer Thariq Shihipar posted that , “To manage growing demand for Claude,” the company was adjusting how 5-hour session limits work for Free, Pro and Max subscribers during peak hours, while keeping weekly limits unchanged. He added that during weekdays from 5 a.m. to 11 a.m. Pacific time, users would move through their 5-hour session limits faster than before. In follow-up posts, he said Anthropic had landed efficiency wins to offset some of the impact, but that roughly 7% of users would hit session limits they would not have hit before, particularly on Pro tiers. In an email on March 27, 2026, Anthropic told VentureBeat that Team and Enterprise customers were not affected by those changes, and that the shift was not dynamically optimized per user but instead applied to the peak-hour window the company had publicly described. Anthropic also said it was continuing to invest in scaling capacity. Those comments were about session limits, not model downgrades. But they are important context, because they establish two things that users now keep connecting in public: first, Anthropic has been dealing with surging demand; second, it has already changed how usage is rationed during busy periods. That does not prove Anthropic reduced model quality. It does help explain why so many users are primed to believe something else may also have changed. Prompt caching and TTL A separate, more recent GitHub issue broadens the dispute beyond model quality and into pricing and quota behavior. In issue #46829, user seanGSISG argued that Claude Code’s prompt-cache time-to-live, or TTL, appeared to shift from a one-hour setting back to a five-minute setting in early March, based on analysis of nearly 120,000 API calls drawn from Claude Code session logs across two machines. The complaint argues that this change drove meaningful increases in cache-creation costs and quota burn, especially for long-running coding sessions where cached context expires quickly and must be rebuilt. The author claims that this helps explain why some subscription users began hitting usage limits they had not previously encountered. What makes this issue notable is that Anthropic did not flatly deny that something changed. In a reply on the thread, Jarred Sumner said the March 6 change was real and intentional, but rejected the framing that it was a regression. He said Claude Code uses different cache durations for different request types, and that one-hour cache is not always cheaper because one-hour writes cost more up front and only save money when the same cached context is reused enough times to justify it. In his telling, the change was part of ongoing cache optimization work, not a silent downgrade, and the pre–March 6 behavior described in the issue “wasn’t the intended steady state.” The thread later drew a more detailed response from Anthropic’s Cherny, who described one-hour caching as “nuanced” and said the company has been testing heuristics to improve cache hit rates, token usage and latency for subscribers. Cherny said Anthropic keeps five-minute cache for many queries, including subagents that are rarely resumed, and said turning off telemetry also disables experiment gates, which can cause Claude Code to fall back to a five-minute default in some cases. He added that Anthropic plans to expose environment variables that let users force one-hour or five-minute cache behavior directly. Together, those replies do not validate the issue author’s claim that Anthropic silently made Claude Code more expensive overall, but they do confirm that Anthropic has been actively experimenting with cache behavior behind the scenes during the same period users began complaining more loudly about quota burn and changing product behavior. Anthropic says user-facing changes, not secret degradation, explain much of the uproar Anthropic-affiliated employees have publicly pushed back on the broadest accusations. In one widely circulated reply on X, Cherny responded to claims that Anthropic had secretly nerfed Claude Code by writing, “ This is false .” He said Claude Code had been defaulted to medium effort in response to user feedback that Claude was consuming too many tokens, and that the change had been disclosed both in the changelog and in a dialog shown to users when they opened Claude Code. That response is notable because it concedes a meaningful product change while rejecting the more conspiratorial interpretation of it. Anthropic is not saying nothing changed. It is saying that what changed was disclosed and was aimed at balancing token use, not secretly reducing model quality. Public documentation also supports the fact that effort defaults have been in motion. Claude Code’s changelog says that on April 7 , Anthropic changed the default effort level from medium to high for API-key users as well as Bedrock, Vertex, Foundry, Team and Enterprise users. That suggests Anthropic has actively been tuning these settings across different segments, which could plausibly affect user perceptions even if the core model weights are unchanged. Shihipar has also directly denied the broader demand-management accusation. In a reply on X posted April 11, he said Anthropic does not “degrade” its models to better serve demand. He also said that changes to thinking summaries affected how some users were measuring Claude’s “thinking,” and that the company had not found evidence backing the strongest qualitative claims now spreading online. The real issue may be trust as much as model quality What is clear is that a trust gap has opened between Anthropic and some of its most demanding users. For developers who rely on Claude Code all day, subtle shifts in visible thinking output, effort defaults, token burn, latency tradeoffs or usage caps can feel indistinguishable from a weaker model. That is true whether the root cause is a product setting, a UI change, an inference-policy tweak, capacity pressure or a genuine quality regression. It also means both sides of the fight may be talking past each other. Users are describing what they experience: more friction, more failures and less confidence. Anthropic is responding in product terms: effort defaults, hidden thinking summaries, changelog disclosures, and denials that demand pressure is causing secret model degradation. Those are not necessarily incompatible descriptions. A model can feel worse to users even if the company believes it has not “nerfed” the underlying model in the way critics allege. But coming at a time when Anthropic's chief rival OpenAI has recently pivoted and put more resources behind its competing, enterprise and vibe-coding focused product Codex — even offering a new, more mid-range ChatGPT subscription in an effort to boost usage of the tool — it's certainly not the kind of publicity that stands to benefit Anthropic or its customer retention. At the same time, the public evidence remains mixed. Some of the most viral claims have come from developers with detailed logs and strong opinions based on repeated use. Some of the benchmark evidence has been challenged by outside observers on methodological grounds. And Anthropic’s own recent changes to limits and settings ensure that this debate is happening against a backdrop of real adjustments, not pure rumor.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/1jSNP91rl8Ww79tLt9WiLg\/d9a8da5cf84f328a95105adfec4ff688\/Gemini_Generated_Image_63c1cq63c1cq63c1.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/is-anthropic-nerfing-claude-users-increasingly-report-performance",
            "date": "2026-04-13",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "هل \"إنقاص\" كلود الأنثروبي؟ يبلغ المستخدمون بشكل متزايد عن تدهور الأداء مع تراجع القادة",
            "summary_ar": "يلجأ عدد متزايد من المطورين ومستخدمي الذكاء الاصطناعي إلى وسائل التواصل الاجتماعي لاتهام شركة Anthropic بتدهور أداء Claude Opus 4.6 وClaude Code - عن قصد أو كنتيجة لحدود الحوسبة - بحجة أن نموذج الترميز الرئيسي للشركة يبدو أقل قدرة وأقل موثوقية وأكثر إهدارًا للرموز المميزة مما كان عليه قبل أسابيع فقط. انتشرت الشكاوى بسرعة على Github وX وReddit خلال الأسابيع القليلة الماضية، حيث تزعم العديد من المنشورات واسعة النطاق أن كلود أصبح أسوأ في التفكير المستدام، وأكثر عرضة للتخلي عن المهام في منتصف الطريق، وأكثر عرضة للهلوسة أو التناقضات. قام بعض المستخدمين بصياغة المشكلة على أنها \"انكماش انكماش الذكاء الاصطناعي\" - فكرة أن العملاء يدفعون نفس السعر مقابل منتج أضعف. وذهب آخرون إلى أبعد من ذلك، مقترحين ذلك",
            "body_ar": "يلجأ عدد متزايد من المطورين ومستخدمي الذكاء الاصطناعي إلى وسائل التواصل الاجتماعي لاتهام شركة Anthropic بتدهور أداء Claude Opus 4.6 وClaude Code - عن قصد أو كنتيجة لحدود الحوسبة - بحجة أن نموذج الترميز الرئيسي للشركة يبدو أقل قدرة وأقل موثوقية وأكثر إهدارًا للرموز المميزة مما كان عليه قبل أسابيع فقط. انتشرت الشكاوى بسرعة على Github وX وReddit خلال الأسابيع القليلة الماضية، حيث تزعم العديد من المنشورات واسعة النطاق أن كلود أصبح أسوأ في التفكير المستدام، وأكثر عرضة للتخلي عن المهام في منتصف الطريق، وأكثر عرضة للهلوسة أو التناقضات. قام بعض المستخدمين بصياغة المشكلة على أنها \"انكماش انكماش الذكاء الاصطناعي\" - فكرة أن العملاء يدفعون نفس السعر مقابل منتج أضعف. وذهب آخرون إلى أبعد من ذلك، مشيرين إلى أن الأنثروبيك ربما تخنق كلود أو تضبطه بطريقة أخرى خلال فترات الطلب الشديد. لا تزال هذه الادعاءات غير مثبتة، وقد نفى موظفو شركة Anthropic علنًا أن الشركة تقلل من النماذج لإدارة القدرات. وفي الوقت نفسه، اعترفت منظمة الأنثروبيك بالتغييرات الحقيقية التي طرأت على حدود الاستخدام والافتراضات المنطقية في الأسابيع الأخيرة، الأمر الذي جعل المناقشة الأوسع أكثر قابلية للاشتعال. تواصلت VentureBeat مع Anthropic للحصول على مزيد من التوضيح بشأن الاتهامات الأخيرة، بما في ذلك ما إذا كانت أي تغييرات حديثة في الاستدلال الافتراضي أو التعامل مع السياق أو سلوك الاختناق أو معلمات الاستدلال أو المنهجية المعيارية يمكن أن تساعد في تفسير الارتفاع الكبير في الشكاوى. لقد سألنا أيضًا كيف تشرح Anthropic المطالبات الأخيرة المتعلقة بالمعيار وما إذا كانت تخطط لنشر بيانات إضافية يمكن أن تطمئن العملاء. وحتى وقت النشر، نحن في انتظار الرد. تقول شكاوى المستخدمين واسعة الانتشار، بما في ذلك من أحد كبار مديري AMD، أن كلود أصبحت أقل قدرة. واحدة من الشكاوى العامة الأكثر تفصيلاً نشأت كمشكلة GitHub المقدمة من Stella Laurenzo في 2 أبريل 2026، والتي حددها ملفها الشخصي على LinkedIn كمدير أول في مجموعة الذكاء الاصطناعي في AMD. في هذا المنشور، كتب لورينزو أن كلود كود قد تراجع إلى درجة أنه لا يمكن الوثوق به في الأعمال الهندسية المعقدة، ثم دعم هذا الادعاء بتحليل مترامي الأطراف لـ 6,852 ملف جلسة كلود كود، و17,871 كتلة تفكير و234,760 استدعاء للأدوات. زعمت الشكوى أنه ابتداء من شهر فبراير، انخفض عمق الاستدلال المقدر لكلود بشكل حاد في حين ظهرت علامات ضعف الأداء جنبًا إلى جنب مع ذلك، بما في ذلك المزيد من التوقف المبكر، والمزيد من سلوك \"الإصلاح الأبسط\"، والمزيد من حلقات الاستدلال، وتحول قابل للقياس من سلوك البحث أولاً إلى سلوك التعديل أولاً. كانت النقطة الأوسع للمقال هي أنه بالنسبة لسير العمل الهندسي المتقدم، فإن التفكير الموسع ليس ترفا ولكنه جزء مما يجعل النموذج قابلاً للاستخدام في المقام الأول. ثم انتقل موضوع GitHub هذا إلى المحادثة الأوسع على وسائل التواصل الاجتماعي، مع مستخدمي X بما في ذلك @Hesamation، الذي نشر لقطات شاشة لمنشور Laurenzo's GitHub على X في 11 أبريل، مما حوله إلى نقطة نقاش أكثر انتشارًا. كان هذا التضخيم مهمًا لأنه أعطى السرد الأوسع \"كلود يزداد سوءًا\" شيئًا أكثر واقعية من الإحباط السردي: منشور طويل ومثقل بالبيانات من أحد كبار قادة الذكاء الاصطناعي في إحدى شركات الرقائق الكبرى، يجادل فيه بأن الانحدار كان واضحًا في السجلات، وأنماط استخدام الأدوات وتصحيحات المستخدم، وليس فقط الشعور الغريزي. ركزت الاستجابة العامة للأنثروبيك على فصل التغييرات المتصورة عن التدهور الفعلي للنموذج. في متابعة مثبتة لنفس مشكلة GitHub التي تم نشرها قبل أسبوع، شكر قائد كلود كود، بوريس تشيرني، لورينزو على اهتمامه وعمق التحليل لكنه اعترض على استنتاجه الرئيسي. قال تشيرني إن رأس \"redact-thinking-2026-02-12\" المذكور في الشكوى هو تغيير لواجهة المستخدم فقط يخفي التفكير من الواجهة ويقلل زمن الوصول، لكنه \"لا يؤثر على التفكير نفسه\"، أو \"ميزانيات التفكير\"، أو كيفية عمل التفكير الموسع تحت الغطاء. وقال أيضًا إن تغييرين آخرين في المنتج من المحتمل أن يؤثرا على ما يراه المستخدمون: انتقال Opus 4.6 إلى التفكير التكيفي افتراضيًا في 9 فبراير، والتحول في 3 مارس إلى الجهد المتوسط، أو مستوى الجهد 85، كإعداد افتراضي لـ Opus 4.6، والذي قال إن Anthropic ينظر إليه على أنه أفضل توازن عبر الذكاء وزمن الوصول والتكلفة بالنسبة لمعظم المستخدمين. أضاف Cherny أن المستخدمين الذين يريدون مزيدًا من الاستدلال الموسع يمكنهم تبديل الجهد يدويًا بشكل أعلى عن طريق كتابة \/Effort High في جلسات محطة Claude Code. يقع هذا التبادل في قلب الجدل. يجادل النقاد مثل لورينزو بأن سلوك كلود في المطالبة بسير عمل الترميز قد ساء بشكل واضح ويشيرون إلى السجلات وأنماط الاستخدام كدليل. وعلى النقيض من ذلك، لا يقول الأنثروبي أنه لم يتغير شيء. وتقول إن أكبر التغييرات الأخيرة كانت اختيارات المنتج والواجهة التي تؤثر على ما يراه المستخدمون ومقدار الجهد الذي يبذله النظام افتراضيًا، وليس تخفيضًا سريًا للنموذج الأساسي. قد يكون هذا التمييز مهمًا من الناحية الفنية، ولكن بالنسبة للمستخدمين المتميزين الذين يشعرون أن المنتج يحقق نتائج أسوأ، فهو ليس بالضرورة أمرًا مُرضيًا. ساهمت التغطية الخارجية من TechRadar وPC Gamer في تضخيم مشاركة Laurenzo وموجة أكبر من الاتفاق من بعض المستخدمين المتميزين. قدم منشور آخر واسع الانتشار على X من المطور Om Patel في 7 أبريل نفس الحجة بعبارات أكثر مباشرة، مدعيًا أن شخصًا ما \"قد قام بالفعل بقياس\" مقدار \"غبى\" كلود الذي حصل عليه ولخص النتيجة على أنها انخفاض بنسبة 67٪. ساعد هذا المنشور في نشر تسمية \"انكماش الذكاء الاصطناعي\" ودفع الجدل إلى ما هو أبعد من مستخدمي Claude Code المتشددين إلى خطاب الذكاء الاصطناعي الأوسع على X. لقد لقيت هذه الادعاءات صدى لأنها تتوافق بشكل وثيق مع ما يقول العديد من المستخدمين المحبطين إنهم يرونه في الممارسة العملية: المزيد من المهام غير المكتملة، والمزيد من التراجع، والمزيد من حرق الرموز المميزة، وإحساس أقوى بأن كلود أقل استعدادًا للتفكير بعمق من خلال وظائف البرمجة المعقدة مما كان عليه في وقت سابق من هذا العام. حولت المنشورات المعيارية الإحباط المتناقل إلى جدل عام. وجاء أعلى ادعاء قائم على المعايير من BridgeMind، التي تدير معيار الهلوسة BridgeBench. في 12 أبريل، نشر الحساب أن دقة Claude Opus 4.6 قد انخفضت من 83.3% من الدقة والمرتبة الثانية في نتيجة سابقة إلى 68.3% من الدقة والمرتبة 10 في إعادة اختبار جديدة، ووصف هذا الدليل بأنه \"تم إنقاص قوة Claude Opus 4.6\". انتشر هذا المنشور على نطاق واسع وأصبح أحد الركائز الرئيسية للقضية العامة الأوسع التي تقول إن الأنثروبيك قد أفسدت النموذج. قام مستخدمون آخرون أيضًا بتوزيع منشورات متعلقة بالمعيار أو قائمة على الاختبار تشير إلى أن أداء Opus 4.6 كان ضعيفًا مقابل Opus 4.5 في مهام الترميز العملية. لا تزال منشورات أخرى تشير إلى النتائج المتعلقة بـ TerminalBench كدليل مفترض على أن سلوك النموذج قد تغير في بعض الأدوات أو سياقات المنتج. كان التأثير تراكميًا: بدأت لقطات الشاشة المعيارية، والاختبارات جنبًا إلى جنب، والإحباط المتناقل، تعزز بعضها البعض في الأماكن العامة. وهذا مهم لأن المطالبات المعيارية تميل إلى الانتقال إلى أبعد من الشكاوى الأكثر ذاتية. إن قول المطور إن النموذج \"يبدو أسوأ\" هو شيء واحد. لقطة الشاشة التي تظهر انخفاض الترتيب من رقم 2 إلى رقم 10، أو نسبة تأرجح كبيرة في الدقة، تعطي مظهر الدليل القاطع، حتى عندما تكون المقارنة الأساسية أكثر تعقيدًا. يقول منتقدو المزاعم المعيارية إن الدليل أضعف مما يبدو. إن الدحض الأكثر أهمية لادعاء BridgeBench لم يأت من Anthropic. جاء ذلك من بول كالكرافت، وهو باحث خارجي في مجال البرمجيات والذكاء الاصطناعي في X، والذي جادل بأن المقارنة الفيروسية كانت مضللة لأن نتيجة Opus 4.6 السابقة كانت مبنية على ست مهام فقط بينما كانت المهمة اللاحقة مبنية على 30. وعلى حد تعبيره، كان ذلك \"معيارًا مختلفًا\". وقال أيضًا إنه في المهام الست المشتركة بين المرحلتين، لم تتحرك درجة كلود إلا بشكل متواضع، من 87.6% سابقًا إلى 85.4% في الجولة اللاحقة، ويبدو أن التأرجح الأكبر جاء في الغالب من نتيجة تلفيق واحدة دون تكرار. ووصف ذلك بأنه شيء يمكن أن يقع بسهولة ضمن الضوضاء الإحصائية العادية. إن هذا الدحض الخارجي مهم لأنه يقوض واحدة من أنظف الادعاءات وأكثرها انتشارًا في التداول. ولا يثبت أن المستخدمين مخطئون في الاعتقاد بأن شيئًا ما قد تغير. لكنها تشير إلى أن بعض الأدلة المعيارية التي تقود القصة الآن، على الأقل، قد تكون مبالغ فيها، أو غير طبيعية بشكل سيء، أو لا يمكن مقارنتها بشكل مباشر. حتى منشور BridgeBench نفسه لفت انتباه المجتمع إلى تأثير مماثل. قالت المذكرة إن عمليتي القياس المعياريتين غطتا نطاقات مختلفة - ست مهام في حالة واحدة و30 في الحالة الأخرى - وأن المجموعة الفرعية للمهام المشتركة أظهرت فقط تغييرًا طفيفًا. وهذا لا يجعل النتيجة اللاحقة بلا معنى، ولكنه يضعف النسخة الأقوى من حجة \"أثبتها بريدج بينش\". وهذه الآن سمة أساسية من سمات الجدل: فالادعاءات ليست كلها بنفس القدر من القوة. يعتمد بعضها على تجربة المستخدم المباشرة. يشير البعض إلى تغييرات حقيقية في المنتج. ويعتمد البعض على مقارنات مرجعية قد لا تكون متقاربة. ويعتمد بعضها على استنتاجات حول سلوك النظام المخفي الذي لا يستطيع المستخدمون خارج Anthropic التحقق منه بشكل مباشر. أعطت حدود السعة السابقة للمستخدمين سببًا للشك في حدوث المزيد من التغييرات تحت الغطاء. كما أن رد الفعل العنيف الحالي يقع أيضًا في ظل تغيير حقيقي ومؤكد في السياسة الإنسانية منذ أواخر مارس. في 26 مارس، نشر الموظف الفني في Anthropic، طارق شيبار، أنه \"لإدارة الطلب المتزايد على Claude،\" كانت الشركة تقوم بتعديل كيفية عمل حدود الجلسة لمدة 5 ساعات للمشتركين في Free وPro وMax خلال ساعات الذروة، مع الحفاظ على الحدود الأسبوعية دون تغيير. وأضاف أنه خلال أيام الأسبوع من الساعة الخامسة صباحًا. حتى الساعة 11 صباحًا بتوقيت المحيط الهادئ، سيتحرك المستخدمون خلال حدود الجلسة التي تبلغ 5 ساعات بشكل أسرع من ذي قبل. وفي منشورات المتابعة، قال إن Anthropic حققت انتصارات في الكفاءة لتعويض بعض التأثير، لكن ما يقرب من 7% من المستخدمين سيصلون إلى حدود الجلسة التي لم يكونوا ليبلغوها من قبل، خاصة في المستويات الاحترافية. في رسالة بريد إلكتروني بتاريخ 27 مارس 2026، أخبرت Anthropic VentureBeat أن عملاء Team وEnterprise لم يتأثروا بهذه التغييرات، وأن التحول لم يتم تحسينه ديناميكيًا لكل مستخدم ولكن بدلاً من ذلك تم تطبيقه على نافذة ساعات الذروة التي وصفتها الشركة علنًا. وقالت أنثروبيك أيضًا إنها تواصل الاستثمار في توسيع نطاق القدرة. كانت تلك التعليقات حول حدود الجلسة، وليس تخفيضات النموذج. ولكنها تشكل سياقًا مهمًا، لأنها تؤسس لأمرين يواصل المستخدمون الآن الاتصال بهم علنًا: أولاً، كانت شركة أنثروبيك تتعامل مع الطلب المتزايد؛ ثانياً، لقد غيّر بالفعل كيفية تقنين الاستخدام خلال فترات الانشغال. هذا لا يثبت انخفاض جودة النموذج الأنثروبي. إنه يساعد في تفسير سبب استعداد الكثير من المستخدمين للاعتقاد بأن شيئًا آخر ربما تغير أيضًا. التخزين المؤقت السريع وTTL هناك مشكلة منفصلة وأحدث في GitHub تعمل على توسيع نطاق النزاع إلى ما هو أبعد من جودة النموذج وإلى سلوك التسعير والحصص. في الإصدار رقم 46829، زعم المستخدم seanGSISG أن مدة بقاء ذاكرة التخزين المؤقت السريعة لـ Claude Code، أو TTL، يبدو أنها تحولت من إعداد مدته ساعة واحدة إلى إعداد مدته خمس دقائق في أوائل شهر مارس، استنادًا إلى تحليل ما يقرب من 120.000 استدعاء لواجهة برمجة التطبيقات مستمدة من سجلات جلسة Claude Code عبر جهازين. تقول الشكوى إن هذا التغيير أدى إلى زيادات كبيرة في تكاليف إنشاء ذاكرة التخزين المؤقت وحرق الحصص، خاصة بالنسبة لجلسات البرمجة طويلة الأمد حيث تنتهي صلاحية السياق المخزن مؤقتًا بسرعة ويجب إعادة بنائه. يدعي المؤلف أن هذا يساعد في تفسير سبب بدء بعض مستخدمي الاشتراك في الوصول إلى حدود الاستخدام التي لم يواجهوها من قبل. ما يجعل هذه القضية ملحوظة هو أن الأنثروبيك لم تنكر بشكل قاطع أن شيئًا ما قد تغير. وفي رد على الموضوع، قال جاريد سومنر إن تغيير 6 مارس كان حقيقيًا ومتعمدًا، لكنه رفض التأطير بأنه كان بمثابة تراجع. وقال إن Claude Code يستخدم فترات مختلفة لذاكرة التخزين المؤقت لأنواع مختلفة من الطلبات، وأن ذاكرة التخزين المؤقت لمدة ساعة واحدة ليست دائمًا أرخص لأن عمليات الكتابة لمدة ساعة واحدة تكلف أكثر مقدمًا ولا توفر المال إلا عند إعادة استخدام نفس السياق المخزن مؤقتًا مرات كافية لتبرير ذلك. في روايته، كان التغيير جزءًا من العمل المستمر لتحسين ذاكرة التخزين المؤقت، وليس تخفيضًا صامتًا، والسلوك قبل 6 مارس الموصوف في المشكلة \"لم يكن الحالة المستقرة المقصودة\". تلقى الموضوع لاحقًا استجابة أكثر تفصيلاً من Cherny من Anthropic، الذي وصف التخزين المؤقت لمدة ساعة واحدة بأنه \"دقيق\" وقال إن الشركة كانت تختبر الاستدلال لتحسين معدلات ضرب ذاكرة التخزين المؤقت واستخدام الرمز المميز ووقت الاستجابة للمشتركين. قال تشيرني إن Anthropic يحتفظ بذاكرة تخزين مؤقت مدتها خمس دقائق للعديد من الاستعلامات، بما في ذلك العملاء الفرعيين الذين نادرًا ما يتم استئنافهم، وقال إن إيقاف تشغيل القياس عن بعد يؤدي أيضًا إلى تعطيل بوابات التجربة، مما قد يتسبب في تراجع Claude Code إلى الإعداد الافتراضي لمدة خمس دقائق في بعض الحالات. وأضاف أن Anthropic تخطط لكشف متغيرات البيئة التي تتيح للمستخدمين فرض سلوك ذاكرة التخزين المؤقت لمدة ساعة أو خمس دقائق مباشرةً. معًا، لا تؤكد هذه الردود صحة ادعاء مؤلف المشكلة بأن Anthropic بصمت جعلت Claude Code أكثر تكلفة بشكل عام، لكنها تؤكد أن Anthropic كانت تجرب بنشاط سلوك ذاكرة التخزين المؤقت خلف الكواليس خلال نفس الفترة التي بدأ فيها المستخدمون في الشكوى بصوت أعلى بشأن حرق الحصص وتغيير سلوك المنتج. تقول أنثروبيك إن التغييرات التي يواجهها المستخدم، وليس التدهور السري، هي التي تفسر الكثير من الضجة التي أثارها الموظفون المنتسبون إلى أنثروبيك علنًا ضد الاتهامات الأوسع. في أحد الردود المنتشرة على نطاق واسع على X، ردت تشيرني على الادعاءات القائلة بأن الأنثروبيك قد أضعفت كلود كود سرًا بكتابة \"هذا غير صحيح\". وقال إن كلود كود قد تم تعيينه افتراضيًا على جهد متوسط ​​استجابةً لتعليقات المستخدمين بأن كلود كان يستهلك عددًا كبيرًا جدًا من الرموز المميزة، وأنه تم الكشف عن التغيير في سجل التغيير وفي مربع الحوار الذي ظهر للمستخدمين عندما فتحوا كلود كود. وهذا الرد جدير بالملاحظة لأنه يقر بإجراء تغيير ذي معنى في المنتج بينما يرفض التفسير الأكثر تآمرية له. الأنثروبي لا يقول أن شيئا لم يتغير. يقال أنه تم الكشف عن ما تغير وكان يهدف إلى موازنة استخدام الرمز المميز، وليس تقليل جودة النموذج سرًا. تدعم الوثائق العامة أيضًا حقيقة أن الجهود الافتراضية كانت قيد التنفيذ. يقول سجل التغيير الخاص بـ Claude Code أنه في 7 أبريل، قامت Anthropic بتغيير مستوى الجهد الافتراضي من متوسط ​​إلى مرتفع لمستخدمي مفتاح API بالإضافة إلى Bedrock، Vertex، Foundry، مستخدمي Team وEnterprise. يشير ذلك إلى أن Anthropic قامت بضبط هذه الإعدادات بشكل نشط عبر قطاعات مختلفة، مما قد يؤثر بشكل معقول على تصورات المستخدم حتى لو لم تتغير أوزان النموذج الأساسي. كما نفى شيهيبار بشكل مباشر الاتهامات الأوسع المتعلقة بإدارة الطلب. وفي رد على موقع X نُشر في 11 أبريل، قال إن شركة Anthropic لا \"تتحلل\" من نماذجها لخدمة الطلب بشكل أفضل. وقال أيضًا إن التغييرات في ملخصات التفكير أثرت على كيفية قياس بعض المستخدمين لـ \"تفكير\" كلود، وأن الشركة لم تجد أدلة تدعم أقوى الادعاءات النوعية المنتشرة الآن عبر الإنترنت. قد تكون المشكلة الحقيقية هي الثقة بقدر ما تكمن في جودة النموذج. والأمر الواضح هو أن فجوة الثقة قد انفتحت بين شركة أنثروبيك وبعض مستخدميها الأكثر تطلبًا. بالنسبة للمطورين الذين يعتمدون على Claude Code طوال اليوم، قد لا يمكن تمييز التحولات الطفيفة في مخرجات التفكير المرئي أو افتراضيات الجهد أو حرق الرموز المميزة أو مقايضات زمن الوصول أو حدود الاستخدام عن النموذج الأضعف. وهذا صحيح سواء كان السبب الجذري هو إعداد المنتج، أو تغيير واجهة المستخدم، أو تعديل سياسة الاستدلال، أو ضغط القدرات، أو تراجع حقيقي في الجودة. وهذا يعني أيضًا أن طرفي القتال قد يتحدثان فيما وراء بعضهما البعض. يصف المستخدمون ما يواجهونه: مزيد من الاحتكاك، والمزيد من الإخفاقات، وثقة أقل. تستجيب الأنثروبيك بمصطلحات المنتج: الجهد الافتراضي، وملخصات التفكير الخفية، والإفصاح عن سجل التغيير، وإنكار أن الضغط المطلوب يسبب تدهور النموذج السري. هذه ليست بالضرورة أوصاف غير متوافقة. يمكن أن يبدو النموذج أسوأ بالنسبة للمستخدمين حتى لو اعتقدت الشركة أنها لم \"تضعف\" النموذج الأساسي بالطريقة التي يزعمها النقاد. ولكن يأتي في الوقت الذي قامت فيه شركة OpenAI، المنافس الرئيسي لشركة Anthropic، مؤخرًا بالتمحور ووضع المزيد من الموارد خلف منتجها Codex الذي يركز على المنافسة والمؤسسات والترميز - حتى أنها تقدم اشتراكًا جديدًا متوسط ​​المدى في ChatGPT في محاولة لتعزيز استخدام الأداة - إنها بالتأكيد ليست نوع الدعاية التي تفيد Anthropic أو الاحتفاظ بعملائها. وفي الوقت نفسه، تظل الأدلة العامة مختلطة. بعض الادعاءات الأكثر انتشارًا جاءت من المطورين الذين لديهم سجلات مفصلة وآراء قوية بناءً على الاستخدام المتكرر. لقد تم الطعن في بعض الأدلة المعيارية من قبل مراقبين خارجيين لأسباب منهجية. وتضمن التغييرات الأخيرة التي أجرتها شركة Anthropic الخاصة بالحدود والإعدادات أن يحدث هذا النقاش على خلفية تعديلات حقيقية، وليس مجردة شائعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/13\/1135720\/why-opinion-on-ai-is-so-divided\/",
            "title_en": "Why opinion on AI is so divided",
            "summary_en": "This story originally appeared in The Algorithm, our weekly newsletter on AI. To get stories like this in your inbox first, sign up here . In an industry that doesn’t stand still, Stanford’s AI Index, an annual roundup of key results and trends , is a chance to take a breath. (It’s a marathon, not a sprint , after all.) This year’s report , which dropped today, is full of striking stats. A lot of the value comes from having numbers to back up gut feelings you might already have, such as the sense that the US is gunning harder for AI than everyone else: It hosts 5,427 data centers (and counting). That’s more than 10 times as many as any other country. There’s also a reminder that the hardware supply chain the AI industry relies on has some major choke points. Here’s perhaps the most remarka",
            "body_en": "This story originally appeared in The Algorithm, our weekly newsletter on AI. To get stories like this in your inbox first, sign up here . In an industry that doesn’t stand still, Stanford’s AI Index, an annual roundup of key results and trends , is a chance to take a breath. (It’s a marathon, not a sprint , after all.) This year’s report , which dropped today, is full of striking stats. A lot of the value comes from having numbers to back up gut feelings you might already have, such as the sense that the US is gunning harder for AI than everyone else: It hosts 5,427 data centers (and counting). That’s more than 10 times as many as any other country. There’s also a reminder that the hardware supply chain the AI industry relies on has some major choke points. Here’s perhaps the most remarkable fact: “A single company, TSMC, fabricates almost every leading AI chip, making the global AI hardware supply chain dependent on one foundry in Taiwan.” One foundry! That’s just wild. But the main takeaway I have from the 2026 AI Index is that the state of AI right now is shot through with inconsistencies. As my colleague Michelle Kim put it today in her piece about the report : “If you’re following AI news, you’re probably getting whiplash. AI is a gold rush. AI is a bubble. AI is taking your job. AI can’t even read a clock.” (The Stanford report notes that Google DeepMind’s top reasoning model, Gemini Deep Think, scored a gold medal in the International Math Olympiad but is unable to read analog clocks half the time.) Michelle does a great job covering the report’s highlights. But I wanted to dwell on a question that I can’t shake. Why is it so hard to know exactly what’s going on in AI right now? The widest gap seems to be between experts and non-experts. “AI experts and the general public view the technology’s trajectory very differently,” the authors of the AI Index write. “Assessing AI’s impact on jobs, 73% of U.S. experts are positive, compared with only 23% of the public, a 50 percentage point gap. Similar divides emerge with respect to the economy and medical care.” That’s a huge gap. What’s going on? What do experts know that the public doesn’t? (“Experts” here means US-based researchers who took part in AI conferences in 2023 and 2024.) I suspect part of what’s going on is that experts and non-experts base their views on very different experiences. “The degree to which you are awed by AI is perfectly correlated with how much you use AI to code,” a software developer posted on X the other day . Maybe that’s tongue-in-cheek, but there’s definitely something to it. The latest models from the top labs are now better than ever at producing code. Because technical tasks like coding have right or wrong results, it is easier to train models to do them, compared with tasks that are more open-ended. What’s more, models that can code are proving to be profitable, so model makers are throwing resources at improving them. This means that people who use those tools for coding or other technical work are experiencing this technology at its best. Outside of those use cases, you get more of a mixed bag. LLMs still make dumb mistakes. This phenomenon has become known as the “jagged frontier”: Models are very good at doing some things and less good at others. The influential AI researcher Andrej Karpathy also had some thoughts. “Judging by my [timeline] there is a growing gap in understanding of AI capability,” he wrote in reply to that X post. He noted that power users (read: people who use LLMs for coding, math, or research) not only keep up to date with the latest models but will often pay $200 a month for the best versions. “The recent improvements in these domains as of this year have been nothing short of staggering,” he continued. Because LLMs are still improving fast, someone who pays to use Claude Code will in effect be using a different technology from someone who tried using the free version of Claude to plan a wedding six months ago. Those two groups are speaking past each other. Where does that leave us? I think there are two realities. Yes, AI is far better than a lot of people realize. And yes, it is still pretty bad at a lot of stuff that a lot of people care about (and it may stay that way). Anyone making bets about the future on either side should bear that in mind.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/state-ai-algo1.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/13\/1135720\/why-opinion-on-ai-is-so-divided\/",
            "date": "2026-04-13",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "لماذا ينقسم الرأي حول الذكاء الاصطناعي إلى هذا الحد؟",
            "summary_ar": "ظهرت هذه القصة في الأصل في The Algorithm، رسالتنا الإخبارية الأسبوعية حول الذكاء الاصطناعي. للحصول على قصص مثل هذه في بريدك الوارد أولاً، قم بالتسجيل هنا. في صناعة لا تقف ساكنة، يعد مؤشر الذكاء الاصطناعي بجامعة ستانفورد، وهو عبارة عن تقرير سنوي للنتائج والاتجاهات الرئيسية، فرصة لالتقاط الأنفاس. (إنه ماراثون، وليس سباق سرعة، في نهاية المطاف). تقرير هذا العام، الذي صدر اليوم، مليء بالإحصائيات المذهلة. ويأتي قدر كبير من القيمة من وجود أرقام تدعم مشاعرك الداخلية التي قد تكون لديك بالفعل، مثل الشعور بأن الولايات المتحدة تسعى جاهدة في مجال الذكاء الاصطناعي أكثر من أي شخص آخر: فهي تستضيف 5427 مركز بيانات (والعدد في ازدياد). وهذا أكثر من 10 أضعاف أي دولة أخرى. هناك أيضًا تذكير بأن سلسلة توريد الأجهزة التي تعتمد عليها صناعة الذكاء الاصطناعي بها بعض نقاط الاختناق الرئيسية. ربما هذا هو الأكثر ملاحظة",
            "body_ar": "ظهرت هذه القصة في الأصل في The Algorithm، رسالتنا الإخبارية الأسبوعية حول الذكاء الاصطناعي. للحصول على قصص مثل هذه في بريدك الوارد أولاً، قم بالتسجيل هنا. في صناعة لا تقف ساكنة، يعد مؤشر الذكاء الاصطناعي بجامعة ستانفورد، وهو عبارة عن تقرير سنوي للنتائج والاتجاهات الرئيسية، فرصة لالتقاط الأنفاس. (إنه ماراثون، وليس سباق سرعة، في نهاية المطاف). تقرير هذا العام، الذي صدر اليوم، مليء بالإحصائيات المذهلة. ويأتي قدر كبير من القيمة من وجود أرقام تدعم مشاعرك الداخلية التي قد تكون لديك بالفعل، مثل الشعور بأن الولايات المتحدة تسعى جاهدة في مجال الذكاء الاصطناعي أكثر من أي شخص آخر: فهي تستضيف 5427 مركز بيانات (والعدد في ازدياد). وهذا أكثر من 10 أضعاف أي دولة أخرى. هناك أيضًا تذكير بأن سلسلة توريد الأجهزة التي تعتمد عليها صناعة الذكاء الاصطناعي بها بعض نقاط الاختناق الرئيسية. ربما تكون هذه هي الحقيقة الأكثر وضوحًا: \"تقوم شركة واحدة، TSMC، بتصنيع كل شريحة ذكاء اصطناعي رائدة تقريبًا، مما يجعل سلسلة توريد أجهزة الذكاء الاصطناعي العالمية تعتمد على مسبك واحد في تايوان\". مسبك واحد! هذا مجرد البرية. لكن النتيجة الرئيسية التي استخلصتها من مؤشر الذكاء الاصطناعي لعام 2026 هي أن حالة الذكاء الاصطناعي في الوقت الحالي مليئة بالتناقضات. وكما قالت زميلتي ميشيل كيم اليوم في مقالتها حول التقرير: \"إذا كنت تتابع أخبار الذكاء الاصطناعي، فمن المحتمل أنك ستصاب بالصدمة. الذكاء الاصطناعي هو اندفاع الذهب. الذكاء الاصطناعي عبارة عن فقاعة. الذكاء الاصطناعي يأخذ وظيفتك. الذكاء الاصطناعي لا يستطيع حتى قراءة الساعة”. (يشير تقرير جامعة ستانفورد إلى أن أفضل نموذج استدلال في Google DeepMind، Gemini Deep Think، سجل ميدالية ذهبية في أولمبياد الرياضيات الدولي ولكنه غير قادر على قراءة الساعات التناظرية نصف الوقت.) قامت ميشيل بعمل رائع في تغطية النقاط البارزة في التقرير. لكني أردت أن أتطرق إلى سؤال لا أستطيع التخلص منه. لماذا من الصعب جدًا معرفة ما يحدث بالضبط في الذكاء الاصطناعي الآن؟ ويبدو أن الفجوة الأوسع تقع بين الخبراء وغير الخبراء. كتب مؤلفو مؤشر الذكاء الاصطناعي: \"ينظر خبراء الذكاء الاصطناعي وعامة الناس إلى مسار التكنولوجيا بشكل مختلف تمامًا\". \"في تقييم تأثير الذكاء الاصطناعي على الوظائف، كان 73% من الخبراء الأمريكيين إيجابيين، مقارنة بـ 23% فقط من الجمهور، أي فجوة قدرها 50 نقطة مئوية. وتظهر انقسامات مماثلة فيما يتعلق بالاقتصاد والرعاية الطبية.\" هذه فجوة كبيرة. ماذا يحدث هنا؟ ما الذي يعرفه الخبراء ولا يعرفه الجمهور؟ (يشير مصطلح \"الخبراء\" هنا إلى الباحثين المقيمين في الولايات المتحدة الذين شاركوا في مؤتمرات الذكاء الاصطناعي في عامي 2023 و2024.) أظن أن جزءًا مما يحدث هو أن الخبراء وغير الخبراء يبنون وجهات نظرهم على تجارب مختلفة تمامًا. \"إن درجة انبهارك بالذكاء الاصطناعي ترتبط تمامًا بمدى استخدامك للذكاء الاصطناعي في البرمجة\"، هذا ما نشره أحد مطوري البرامج على موقع X قبل بضعة أيام. ربما يكون هذا كلامًا ساخرًا، ولكن هناك بالتأكيد شيء ما فيه. أصبحت أحدث النماذج من أفضل المعامل الآن أفضل من أي وقت مضى في إنتاج التعليمات البرمجية. ولأن المهام التقنية مثل البرمجة لها نتائج صحيحة أو خاطئة، فمن الأسهل تدريب النماذج على القيام بها، مقارنة بالمهام ذات النهاية المفتوحة. علاوة على ذلك، أثبتت النماذج التي يمكنها البرمجة أنها مربحة، لذلك يبذل صانعو النماذج الموارد لتحسينها. وهذا يعني أن الأشخاص الذين يستخدمون هذه الأدوات للبرمجة أو غيرها من الأعمال الفنية يختبرون هذه التكنولوجيا في أفضل حالاتها. خارج حالات الاستخدام تلك، تحصل على مجموعة مختلطة أكثر. لا يزال LLMs يرتكب أخطاء غبية. أصبحت هذه الظاهرة تُعرف باسم \"الحدود الخشنة\": فالنماذج جيدة جدًا في القيام ببعض الأشياء وأقل جودة في أشياء أخرى. كان لباحث الذكاء الاصطناعي المؤثر أندريه كارباثي بعض الأفكار أيضًا. وكتب ردًا على منشور X: \"بالحكم على [الجدول الزمني] الخاص بي، هناك فجوة متزايدة في فهم قدرة الذكاء الاصطناعي\". وأشار إلى أن المستخدمين المتميزين (اقرأ: الأشخاص الذين يستخدمون ماجستير إدارة الأعمال في البرمجة أو الرياضيات أو البحث) لا يواكبون أحدث النماذج فحسب، بل غالبًا ما يدفعون 200 دولار شهريًا للحصول على أفضل الإصدارات. وتابع: \"إن التحسينات الأخيرة في هذه المجالات اعتبارًا من هذا العام لم تكن أقل من مذهلة\". ونظرًا لأن برامج LLM لا تزال تتحسن بسرعة، فإن الشخص الذي يدفع مقابل استخدام Claude Code سيستخدم في الواقع تقنية مختلفة عن الشخص الذي حاول استخدام الإصدار المجاني من Claude للتخطيط لحفل زفاف قبل ستة أشهر. هاتان المجموعتان تتحدثان فيما وراء بعضهما البعض. أين يتركنا ذلك؟ أعتقد أن هناك حقيقتين. نعم، الذكاء الاصطناعي أفضل بكثير مما يدركه الكثير من الناس. ونعم، لا يزال الأمر سيئًا جدًا في الكثير من الأشياء التي يهتم بها الكثير من الناس (وقد يظل الأمر على هذا النحو). وينبغي لأي شخص يراهن على المستقبل على أي من الجانبين أن يتحمل ذلك عقل.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/designing-the-agentic-ai-enterprise-for-measurable-performance",
            "title_en": "Designing the agentic AI enterprise for measurable performance",
            "summary_en": "Presented by Edgeverve Smart, semi‑autonomous AI agents handling complex, real‑time business work is a compelling vision. But moving from impressive pilots to production‑grade impact requires more than clever prompts or proof‑of‑concept demos. It takes clear goals, data‑driven workflows, and an enterprise platform that balances autonomy, governance, observability, and flexibility with hard guardrails from day one. From pilots to the “operational grey zones” The next wave of value sits in the connective tissue between applications — those operational grey zones where handoffs, reconciliations, approvals, and data lookups still rely on humans. Assigning agents to these paths means collapsing system boundaries, applying intelligence to context, and re‑imagining processes that were never forma",
            "body_en": "Presented by Edgeverve Smart, semi‑autonomous AI agents handling complex, real‑time business work is a compelling vision. But moving from impressive pilots to production‑grade impact requires more than clever prompts or proof‑of‑concept demos. It takes clear goals, data‑driven workflows, and an enterprise platform that balances autonomy, governance, observability, and flexibility with hard guardrails from day one. From pilots to the “operational grey zones” The next wave of value sits in the connective tissue between applications — those operational grey zones where handoffs, reconciliations, approvals, and data lookups still rely on humans. Assigning agents to these paths means collapsing system boundaries, applying intelligence to context, and re‑imagining processes that were never formally automated. Many pilots stall because they start as lab experiments rather than outcome‑anchored designs tied to production systems, controls, and KPIs. Start with outcomes, not algorithms. Translate organizational KPIs (cash‑flow, DSO, SLA adherence, compliance hit rates, MTTR, NPS, claims leakage, etc.) into agent goals, then cascade them into single‑agent and multi‑agent objectives. Only after goals are explicit should you select workflows and decompose tasks. Pick targets, then decompose the work What does “target” actually mean? In agentic programs, a target is a business outcome and the use case that moves it. For example, “reduce unapplied cash by 20%” target outcome; “cash application and exceptions handling” use case. With the use case in hand, perform persona‑level task decomposition: map the human role (e.g., cash applications analyst, facilities coordinator), enumerate their tasks, and identify which are ripe for agentification (data retrieval, matching, policy checks, decision proposals, transaction initiation). Delivering on those tasks requires a data‑embedded workflow fabric that can read, write, and reason across enterprise systems while honoring permissions. Data must be AI‑ready, discoverable, governed, labeled where needed, augmented for retrieval (RAG), and policy‑protected for PII, PCI, and regulatory constraints. Integration goes beyond APIs APIs are one mode of integration, not the only one. Robust agent execution typically blends: Stable APIs with lifecycle management for core systems Event‑driven triggers (streams, webhooks, CDC) to react in real time UI\/RPA fallbacks where APIs don’t exist Search\/RAG connectors for documents and knowledge bases Policy management across tools and actions to enforce entitlements and segregation of duties The north star is integration reliability — built on idempotency, retries, circuit-breakers, and standardized tool schemas — so agents don’t “hallucinate” actions the enterprise can’t verify. A quick example: finance and facilities, in production Inside our organization, we deployed specialized agents in a live CFO environment and in building maintenance. In finance, seven agents interacted with production systems and real accountability structures. Year‑one outcomes included: >3% monthly cash‑flow improvement, 50% productivity gain in affected workflows, 90% faster onboarding, a shift from account‑level handling to function‑level orchestration, and a $32M cash‑flow lift. These results don’t guarantee gains everywhere; they show that designing products can deliver measurable outcomes on a scale. The four design pillars: Autonomy, governance, observability & evals, flexibility 1) Autonomy: right‑size it to the risk Autonomy exists on a spectrum. Early efforts often automate well‑bounded tasks; others pursue research\/analysis agents; increasingly, teams target mission‑critical transactional agents (payments, vendor onboarding, pricing changes). The rule: match autonomy to risk, and encode the operating mode suggest‑only, propose‑and‑approve, or execute‑with‑rollback per task. 2) Governance: guardrails by design, not as bolt‑ons Unbounded agents create unacceptable risk. Build guardrails into the plan: Policy & permissions : tie tools\/actions to identity, scopes, and SoD rules. Human‑in‑the‑loop (HITL): where mission‑critical thresholds are crossed (amount, vendor risk, regulatory exposure). Agent lifecycle management : versioning, change control, regression gates, approval workflows, and sunsetting. Third‑party agent orchestration : vet external agents like vendors, capabilities, scopes, logs, SLAs. Incident and rollback : kill‑switches, safe‑mode, and compensating transactions. This is how you scale innovation safely while protecting brand, compliance, and customers. 3) Observability & evaluations: trust comes from telemetry Production agents need the same rigor as any core platform: Telemetry: capture full execution traces across perception, planning, tool use, action supported by structured logs and replay. Offline evals : cenario tests, red‑teaming, bias and safety checks, cost\/performance benchmarks; baseline vs. challenger comparisons. Online evals : shadow mode, A\/B, canary releases, guardrail breach alerts, human feedback loops. Explainability & auditability : why was an action taken, which data\/tools were used, and who approved. 4) Flexibility: assume volatility, design for swap‑ability Models, tools, and vendors change fast. Treat agentic capability as platform currency: create an environment where teams can evaluate, select, and swap models\/tools without tearing down the build. Use a model router, tool registry, and contract‑first interfaces so upgrades are controlled experiments, not rewrites. The agent platform fabric: how platformization turns goals into outcomes A true agentic enterprise requires a platform fabric that transforms goals into outcomes, not a patchwork of isolated pilots. This platform anchors enterprise‑to‑agent KPI cascades, drives task decomposition and multi‑agent planning, and provides governed tooling and data access across APIs, RPA, search, and databases. It centralizes knowledge and memory through RAG and vector stores, enforces enterprise controls via a policy engine, and manages performance and safety through a unified model layer. It supports robust orchestration of first‑ and third‑party agents with common context, embeds deep observability and evaluation pipelines, and applies disciplined release engineering from sandbox to GA. Finally, it ensures long‑term resilience through lifecycle management versioning, deprecation, incident playbooks, and auditable histories. Guardrails in action: a BFSI example Consider payments exception handling in banking — high stakes, regulated, and customer‑visible. An agent proposes a resolution (e.g., auto‑reconcile or escalate) only when: The transaction falls below risk thresholds; above them, it triggers HITL approval. All policy checks (KYC\/AML, velocity, sanctions) pass. Observability hooks record rationale, tools invoked, and data used. Rollback\/compensation is defined if downstream failures occur. This pattern generalizes to vendor onboarding, pricing overrides, or claims adjudication — mission‑critical work with explicit safety rails. Scale beyond pilots Scaling agentic AI beyond pilots demands disciplined readiness across nine fronts: leaders must clarify which KPIs matter and how agent goals ladder into them, determine which persona tasks are agentified versus remain human‑led, and align each with the right autonomy mode from suggest‑only to propose‑and‑approve to execute‑with‑rollback. They must embed governance guardrails, including HITL points and lifecycle controls; ensure robust observability and evaluation via telemetry, replay, audits, and offline\/online tests; and verify data readiness, with governed, policy‑protected, retrieval‑augmented data flows. Integration must be reliable, with API lifecycle management, event triggers, and RPA\/other fallbacks. The underlying platform should enable model swap‑ability and orchestration of first‑ and third‑party agents without rebuilding. Finally, measurement must focus on true operational impact cash flow, cycle times, quality, and risk reduction rather than task counts. The takeaway Agentic AI is not a shortcut; it’s a new system of work. Enterprises that approach it with platform discipline aligning autonomy with risk, embedding governance and observability, and designing for swap‑ability will convert pilots into production impact. Those that don’t keep accumulating impressive but disconnected demos. The difference isn’t how fast you ship an agent; it’s how deliberately you design the enterprise around it. N. Shashidar is SVP & Global Head, Product Management at EdgeVerve. Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/3NgSMkjLWhUXgLiOxizff3\/6f67fe54c0839b8be798f0b22d95e8cb\/AdobeStock_1646667309.jpeg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/designing-the-agentic-ai-enterprise-for-measurable-performance",
            "date": "2026-04-13",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تصميم مؤسسة الذكاء الاصطناعي الوكيل لأداء قابل للقياس",
            "summary_ar": "تعتبر رؤية مقنعة من تقديم Edgeverve Smart، وكلاء الذكاء الاصطناعي شبه المستقلين الذين يتعاملون مع الأعمال التجارية المعقدة في الوقت الفعلي. لكن الانتقال من الطيارين المثيرين للإعجاب إلى التأثير على مستوى الإنتاج يتطلب أكثر من مجرد مطالبات ذكية أو عروض توضيحية لإثبات المفهوم. يتطلب الأمر أهدافًا واضحة وسير عمل يعتمد على البيانات ومنصة مؤسسية توازن بين الاستقلالية والحوكمة وإمكانية المراقبة والمرونة مع حواجز الحماية الصلبة من اليوم الأول. من المشاريع التجريبية إلى \"المناطق الرمادية التشغيلية\" تكمن الموجة التالية من القيمة في النسيج الضام بين التطبيقات - تلك المناطق الرمادية التشغيلية حيث لا تزال عمليات التسليم والتسويات والموافقات وعمليات البحث عن البيانات تعتمد على البشر. إن تعيين وكلاء لهذه المسارات يعني انهيار حدود النظام، وتطبيق الذكاء على السياق، وإعادة تصور العمليات التي لم تكن موجودة من قبل. شكل",
            "body_ar": "تعتبر رؤية مقنعة من تقديم Edgeverve Smart، وكلاء الذكاء الاصطناعي شبه المستقلين الذين يتعاملون مع الأعمال التجارية المعقدة في الوقت الفعلي. لكن الانتقال من الطيارين المثيرين للإعجاب إلى التأثير على مستوى الإنتاج يتطلب أكثر من مجرد مطالبات ذكية أو عروض توضيحية لإثبات المفهوم. يتطلب الأمر أهدافًا واضحة وسير عمل يعتمد على البيانات ومنصة مؤسسية توازن بين الاستقلالية والحوكمة وإمكانية المراقبة والمرونة مع حواجز الحماية الصلبة من اليوم الأول. من المشاريع التجريبية إلى \"المناطق الرمادية التشغيلية\" تكمن الموجة التالية من القيمة في النسيج الضام بين التطبيقات - تلك المناطق الرمادية التشغيلية حيث لا تزال عمليات التسليم والتسويات والموافقات وعمليات البحث عن البيانات تعتمد على البشر. ويعني تعيين وكلاء لهذه المسارات انهيار حدود النظام، وتطبيق الذكاء على السياق، وإعادة تصور العمليات التي لم تتم أتمتتها بشكل رسمي على الإطلاق. العديد من الطيارين يتعثرون لأنهم يبدأون كتجارب معملية بدلاً من تصميمات قائمة على النتائج مرتبطة بأنظمة الإنتاج والضوابط ومؤشرات الأداء الرئيسية. ابدأ بالنتائج، وليس الخوارزميات. قم بترجمة مؤشرات الأداء الرئيسية التنظيمية (التدفق النقدي، DSO، الالتزام باتفاقية مستوى الخدمة، ومعدلات نجاح الامتثال، وMTTR، وNPS، وتسرب المطالبات، وما إلى ذلك) إلى أهداف الوكيل، ثم قم بتتاليها إلى أهداف وكيل واحد وأهداف متعددة الوكلاء. فقط بعد أن تكون الأهداف واضحة، يجب عليك تحديد مهام سير العمل وتحليل المهام. اختر الأهداف، ثم قم بتحليل العمل. ماذا يعني \"الهدف\" في الواقع؟ في البرامج الوكيلة، الهدف هو نتيجة الأعمال وحالة الاستخدام التي تحركها. على سبيل المثال، النتيجة المستهدفة \"تقليل الأموال النقدية غير المستخدمة بنسبة 20%\"؛ حالة استخدام \"التطبيق النقدي ومعالجة الاستثناءات\". مع وجود حالة الاستخدام في متناول اليد، قم بإجراء تحليل المهام على مستوى الشخصية: رسم خريطة للدور البشري (على سبيل المثال، محلل التطبيقات النقدية، منسق المرافق)، وتعداد مهامهم، وتحديد المهام الجاهزة للتفويض (استرجاع البيانات، والمطابقة، والتحقق من السياسات، ومقترحات القرار، وبدء المعاملة). يتطلب تنفيذ هذه المهام بنية سير عمل مضمنة بالبيانات يمكنها القراءة والكتابة والتفكير عبر أنظمة المؤسسة مع احترام الأذونات. يجب أن تكون البيانات جاهزة للذكاء الاصطناعي، وقابلة للاكتشاف، ومحكومة، ومصنفة عند الحاجة، ومعززة للاسترجاع (RAG)، ومحمية بالسياسة بالنسبة لمعلومات تحديد الهوية الشخصية (PII)، وPCI، والقيود التنظيمية. التكامل يتجاوز واجهات برمجة التطبيقات (APIs) تعد واجهات برمجة التطبيقات (APIs) إحدى طرق التكامل، وليست الوحيدة. يمزج التنفيذ القوي للوكيل عادةً: واجهات برمجة التطبيقات المستقرة مع إدارة دورة الحياة للأنظمة الأساسية المشغلات المستندة إلى الأحداث (التدفقات وخطافات الويب ومركز السيطرة على الأمراض) للتفاعل في الوقت الفعلي مع احتياطيات واجهة المستخدم\/RPA في حالة عدم وجود واجهات برمجة التطبيقات (APIs) موصلات البحث\/RAG للمستندات وقواعد المعرفة إدارة السياسات عبر الأدوات والإجراءات لفرض الاستحقاقات والفصل بين الواجبات نجم الشمال هو موثوقية التكامل - المبنية على العجز وإعادة المحاولة وقواطع الدائرة ومخططات الأدوات الموحدة - لذلك لا يفعل الوكلاء أفعال \"الهلوسة\" التي لا تستطيع المؤسسة التحقق منها. مثال سريع: التمويل والتسهيلات، في الإنتاج داخل مؤسستنا، قمنا بنشر وكلاء متخصصين في بيئة المدير المالي المباشرة وفي صيانة المباني. وفي مجال التمويل، تفاعل سبعة وكلاء مع أنظمة الإنتاج وهياكل المساءلة الحقيقية. وتضمنت نتائج العام الأول ما يلي: > تحسين التدفق النقدي بنسبة 3% شهريًا، وزيادة الإنتاجية بنسبة 50% في سير العمل المتأثر، والتأهيل بشكل أسرع بنسبة 90%، والتحول من التعامل على مستوى الحساب إلى التنسيق على مستوى الوظيفة، وزيادة التدفق النقدي بقيمة 32 مليون دولار. هذه النتائج لا تضمن تحقيق مكاسب في كل مكان؛ لقد أظهروا أن تصميم المنتجات يمكن أن يحقق نتائج قابلة للقياس على نطاق واسع. ركائز التصميم الأربعة: الاستقلالية، والحوكمة، وقابلية الملاحظة والتقييم، والمرونة 1) الاستقلالية: الحجم المناسب للمخاطرة، الاستقلالية موجودة على نطاق واسع. غالبًا ما تؤدي الجهود المبكرة إلى أتمتة المهام ذات الحدود الجيدة؛ ويتابع آخرون وكلاء البحث\/التحليل؛ وبشكل متزايد، تستهدف الفرق وكلاء المعاملات ذات المهام الحرجة (المدفوعات، وتأهيل البائعين، وتغييرات الأسعار). القاعدة: مطابقة الاستقلالية مع المخاطر، وترميز وضع التشغيل الذي يقترح - فقط، أو الاقتراح والموافقة، أو التنفيذ مع التراجع لكل مهمة. 2) الحوكمة: حواجز الحماية حسب التصميم، وليس كمثبتات. العوامل غير المحدودة تخلق مخاطر غير مقبولة. قم ببناء حواجز الحماية في الخطة: السياسة والأذونات: ربط الأدوات\/الإجراءات بالهوية والنطاقات وقواعد SoD. الإنسان في الحلقة (HITL): حيث يتم تجاوز العتبات الحرجة للمهمة (المبلغ، ومخاطر البائع، والتعرض التنظيمي). إدارة دورة حياة الوكيل: الإصدار، والتحكم في التغيير، وبوابات الانحدار، وسير عمل الموافقة، وإيقاف التشغيل تنسيق وكيل الطرف الثالث: فحص الوكلاء الخارجيين مثل البائعين، والإمكانيات، والنطاقات، والسجلات، واتفاقيات مستوى الخدمة. الحادث والتراجع: مفاتيح القتل، والوضع الآمن، والمعاملات التعويضية هذه هي الطريقة التي يمكنك بها توسيع نطاق الابتكار بأمان مع حماية العلامة التجارية والامتثال والعملاء. 3) إمكانية المراقبة والتقييم: الثقة تأتي من القياس عن بعد. يحتاج وكلاء الإنتاج إلى نفس الدقة مثل أي منصة أساسية: القياس عن بعد: التقاط آثار التنفيذ الكاملة عبر الإدراك والتخطيط واستخدام الأدوات والإجراءات المدعومة بالسجلات المنظمة وإعادة التشغيل. التقييمات دون الاتصال بالإنترنت: اختبارات السيناريو، والفريق الأحمر، وفحوصات التحيز والسلامة، ومعايير التكلفة\/الأداء؛ مقارنات خط الأساس مقابل المنافس. التقييمات عبر الإنترنت: وضع الظل، A\/B، إصدارات الكناري، تنبيهات اختراق حاجز الحماية، حلقات ردود الفعل البشرية. قابلية الشرح وقابلية التدقيق: لماذا تم اتخاذ الإجراء، وما هي البيانات\/الأدوات المستخدمة، ومن وافق عليها. 4) المرونة: افتراض التقلبات، والتصميم لقابلية المبادلة، والنماذج، والأدوات، والبائعين يتغيرون بسرعة. تعامل مع قدرة الوكلاء كعملة النظام الأساسي: قم بإنشاء بيئة حيث يمكن للفرق تقييم النماذج\/الأدوات واختيارها ومبادلةها دون هدم البنية. استخدم جهاز التوجيه النموذجي وسجل الأدوات والواجهات التعاقدية أولاً بحيث تكون الترقيات عبارة عن تجارب خاضعة للرقابة وليست عمليات إعادة كتابة. نسيج منصة الوكيل: كيف تحول المنصة الأهداف إلى نتائج تتطلب المؤسسة الوكيلة الحقيقية نسيج منصة يحول الأهداف إلى نتائج، وليس خليطًا من الطيارين المنعزلين. يعمل هذا النظام الأساسي على تثبيت سلسلة مؤشرات الأداء الرئيسية من مؤسسة إلى وكيل، ويحفز تحليل المهام والتخطيط متعدد الوكلاء، ويوفر أدوات محكومة والوصول إلى البيانات عبر واجهات برمجة التطبيقات وRPA والبحث وقواعد البيانات. فهو يعمل على مركزية المعرفة والذاكرة من خلال RAG ومخازن المتجهات، ويفرض ضوابط المؤسسة عبر محرك السياسة، ويدير الأداء والسلامة من خلال طبقة نموذجية موحدة. وهو يدعم التنسيق القوي لوكلاء الطرف الأول والثالث مع سياق مشترك، ويتضمن إمكانية المراقبة العميقة وخطوط التقييم، ويطبق هندسة الإصدار المنضبطة من وضع الحماية إلى GA. وأخيرًا، فهو يضمن المرونة على المدى الطويل من خلال إصدار إدارة دورة الحياة، والإهمال، وأدلة تشغيل الحوادث، والسجلات القابلة للتدقيق. حواجز الحماية في العمل: مثال على BFSI خذ بعين الاعتبار التعامل مع استثناءات المدفوعات في الخدمات المصرفية - مخاطر عالية، منظمة، ومرئية للعملاء. يقترح الوكيل حلاً (على سبيل المثال، التسوية التلقائية أو التصعيد) فقط عندما: تكون المعاملة أقل من حدود المخاطرة؛ وفوقها، فإنه يؤدي إلى موافقة HITL. تمر جميع عمليات التحقق من السياسات (اعرف عميلك\/مكافحة غسل الأموال، والسرعة، والعقوبات). تسجل خطافات إمكانية الملاحظة الأساس المنطقي والأدوات التي تم استدعاؤها والبيانات المستخدمة. يتم تعريف التراجع\/التعويض في حالة حدوث فشل في اتجاه المصب. يتم تعميم هذا النمط على تأهيل الموردين، أو تجاوز الأسعار، أو الفصل في المطالبات - وهو عمل بالغ الأهمية مع حواجز أمان واضحة. يتطلب توسيع نطاق الذكاء الاصطناعي الوكيل إلى ما هو أبعد من الطيارين استعدادًا منضبطًا عبر تسع جبهات: يجب على القادة توضيح مؤشرات الأداء الرئيسية المهمة وكيف تدرج أهداف الوكيل إليها، وتحديد المهام الشخصية التي يتم تكليفها بالوكيل مقابل التي تظل تحت قيادة الإنسان، ومواءمة كل منها مع وضع الاستقلالية الصحيح من الاقتراح فقط إلى الاقتراح والموافقة إلى التنفيذ مع التراجع. ويجب عليهم تضمين حواجز حماية الحوكمة، بما في ذلك نقاط HITL وضوابط دورة الحياة؛ ضمان إمكانية الملاحظة والتقييم بشكل قوي من خلال القياس عن بعد، وإعادة التشغيل، وعمليات التدقيق، والاختبارات دون الاتصال بالإنترنت\/عبر الإنترنت؛ والتحقق من جاهزية البيانات، من خلال تدفقات البيانات الموجهة والمحمية بالسياسات والمعززة للاسترجاع. يجب أن يكون التكامل موثوقًا به، مع إدارة دورة حياة واجهة برمجة التطبيقات (API)، ومشغلات الأحداث، وتقنية RPA\/الإجراءات الاحتياطية الأخرى. يجب أن يعمل النظام الأساسي على تمكين إمكانية تبديل النماذج وتنسيق وكلاء الطرف الأول والثالث دون إعادة البناء. وأخيرًا، يجب أن يركز القياس على التأثير التشغيلي الحقيقي للتدفق النقدي وأوقات الدورات والجودة وتقليل المخاطر بدلاً من عدد المهام. إن الوجبات الجاهزة Agentic AI ليست طريقًا مختصرًا؛ إنه نظام عمل جديد. إن الشركات التي تتعامل معها من خلال نظام أساسي يعمل على مواءمة الاستقلالية مع المخاطر، وتضمين الحوكمة وقابلية المراقبة، والتصميم من أجل القدرة على المبادلة، ستحول البرامج التجريبية إلى تأثير على الإنتاج. تلك التي لا تستمر في تجميع العروض التوضيحية المثيرة للإعجاب ولكن المنفصلة. الفرق ليس في مدى سرعة شحن الوكيل؛ إنها الطريقة التي تصمم بها المؤسسة حولها بشكل متعمد. N. Shashidar هو نائب الرئيس الأول والرئيس العالمي لإدارة المنتجات في EdgeVerve. المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/13\/1135675\/want-to-understand-the-current-state-of-ai-check-out-these-charts\/",
            "title_en": "Want to understand the current state of AI? Check out these charts.",
            "summary_en": "If you’re following AI news, you’re probably getting whiplash. AI is a gold rush. AI is a bubble. AI is taking your job. AI can’t even read a clock. The 2026 AI Index from Stanford University’s Institute for Human-Centered Artificial Intelligence, AI’s annual report card, comes out today and cuts through some of that noise. Despite predictions that AI development may hit a wall, the report says that the top models just keep getting better. People are adopting AI faster than they picked up the personal computer or the internet. AI companies are generating revenue faster than companies in any previous technology boom, but they’re also spending hundreds of billions of dollars on data centers and chips. The benchmarks designed to measure AI, the policies meant to govern it, and the job market ",
            "body_en": "If you’re following AI news, you’re probably getting whiplash. AI is a gold rush. AI is a bubble. AI is taking your job. AI can’t even read a clock. The 2026 AI Index from Stanford University’s Institute for Human-Centered Artificial Intelligence, AI’s annual report card, comes out today and cuts through some of that noise. Despite predictions that AI development may hit a wall, the report says that the top models just keep getting better. People are adopting AI faster than they picked up the personal computer or the internet. AI companies are generating revenue faster than companies in any previous technology boom, but they’re also spending hundreds of billions of dollars on data centers and chips. The benchmarks designed to measure AI, the policies meant to govern it, and the job market are struggling to keep up. AI is sprinting, and the rest of us are trying to find our shoes. All that speed comes at a cost. AI data centers around the world can now draw 29.6 gigawatts of power, enough to run the entire state of New York at peak demand. Annual water use from running OpenAI’s GPT-4o alone may exceed the drinking water needs of 12 million people. At the same time, the supply chain for chips is alarmingly fragile. The US hosts most of the world’s AI data centers, and one company in Taiwan, TSMC, fabricates almost every leading AI chip. The data reveals a technology evolving faster than we can manage. Here’s a look at some of the key points from this year’s report. The US and China are nearly tied In a long, heated race with immense geopolitical stakes, the US and China are almost neck and neck on AI model performance, according to Arena, a community-driven ranking platform that allows users to compare the outputs of large language models on identical prompts. In early 2023, OpenAI had a lead with ChatGPT, but this gap narrowed in 2024 as Google and Anthropic released their own models. In February 2025, R1, an AI model built by the Chinese lab DeepSeek, briefly matched the top US model, ChatGPT. As of March 2026, Anthropic leads, trailed closely by xAI, Google, and OpenAI. Chinese models like DeepSeek and Alibaba lag only modestly. With the best AI models separated in the rankings by razor-thin margins, they’re now competing on cost, reliability, and real-world usefulness. The index notes that the US and China have different AI advantages. While the US has more powerful AI models, more capital, and an estimated 5,427 data centers (more than 10 times as many as any other country), China leads in AI research publications, patents, and robotics. As competition intensifies, companies like OpenAI, Anthropic, and Google no longer disclose their training code, parameter counts, or data-set sizes. “We don’t know a lot of things about predicting model behaviors,” says Yolanda Gil, a computer scientist at the University of Southern California who coauthored the report. This lack of transparency makes it difficult for independent researchers to study how to make AI models safer, she says. AI models are advancing super fast Despite predictions that development will plateau, AI models keep getting better and better. By some measures, they now meet or exceed the performance of human experts on tests that aim to measure PhD-level science, math, and language understanding. SWE-bench Verified, a software engineering benchmark for AI models, saw top scores jump from around 60% in 2024 to almost 100% in 2025. In 2025, an AI system produced a weather forecast on its own. “I am stunned that this technology continues to improve, and it’s just not plateauing in any way,” says Gil. However, AI still struggles in plenty of other areas. Because the models learn by processing enormous amounts of text and images rather than by experiencing the physical world, AI exhibits “jagged intelligence.” Robots are still in their early days and succeed in only 12% of household tasks. Self-driving cars are farther along: Waymos are now roaming across five US cities, and Baidu’s Apollo Go vehicles are shuttling riders around in China. AI is also expanding into professional domains like law and finance, but no model dominates the field yet. But the way we test AI is broken These reports of progress should be taken with a grain of salt. The benchmarks designed to track AI progress are struggling to keep up as models quickly blow past their ceilings , the Stanford report says. Some are poorly constructed —a popular benchmark that tests a model’s math abilities has a 42% error rate. Others can be gamed : when models are trained on benchmark test data, for example, they can learn to score well without getting smarter. Because AI is rarely used the same way it’s tested, strong benchmark performance doesn’t always translate to real-world performance. And for complex, interactive technologies such as AI agents and robots, benchmarks barely exist yet. AI companies are also sharing less about how their models are trained, and independent testing sometimes tells a different story from what they report. “A lot of companies are not releasing how their models do in certain benchmarks, particularly the responsible-AI benchmarks,” says Gil. “The absence of how your model is doing on a benchmark maybe says something.” AI is starting to affect jobs Within three years of going mainstream, AI is now used by more than half of people around the world, a rate of adoption faster than the personal computer or the internet. An estimated 88% of organizations now use AI, and four in five university students use it. It’s early days for deployment, and AI’s impact on jobs is hard to measure. Still, some studies suggest AI is beginning to affect young workers in certain professions. According to a 2025 study by economists at Stanford, employment for software developers aged 22 to 25 has fallen nearly 20% since 2022. The decline might not be pinned on AI alone, as broader macroeconomic conditions could be to blame, but AI appears to be playing a part. Employers say that hiring may continue to tighten. According to a 2025 survey conducted by McKinsey & Company, a third of organizations expect AI to shrink their workforce in the coming year, particularly in service and supply chain operations and software engineering. AI is boosting productivity by 14% in customer service and 26% in software development , according to research cited by the index, but such gains are not seen in tasks requiring more judgment. Overall, it’s still too early to understand the bigger economic impact of AI. People have complicated feelings about AI Around the world, people feel both optimistic and anxious about AI: 59% of people think that it will provide more benefits than drawbacks, while 52% say that it makes them nervous, according to an Ipsos survey cited in the index. Notably, experts and the public see the future of AI very differently, according to a Pew survey. The biggest gap is around the future of work: While 73% of experts think that AI will have a positive impact on how people do their jobs, only 23% of the American public thinks so. Experts are also more optimistic than the public about AI’s impact on education and medical care, but they agree that AI will hurt elections and personal relationships. Among all countries surveyed, Americans trust their government least to regulate AI appropriately, according to another Ipsos survey. More Americans worry federal AI regulation won’t go far enough than worry it will go too far. Governments are struggling to regulate AI Governments around the world are struggling to regulate AI, but there were some minor successes last year. The EU AI Act’s first prohibitions, which ban the use of AI in predictive policing and emotion recognition , took effect. Japan, South Korea, and Italy also passed national AI laws. Meanwhile, the US federal government moved toward deregulation, with President Trump issuing an executive order seeking to handcuff states from regulating AI. Despite this federal action, state legislatures in the US passed a record 150 AI-related bills. California enacted landmark legislation, including SB 53, which mandates safety disclosures and whistleblower protections for developers of AI models. New York passed the RAISE Act, requiring AI companies to publish safety protocols and report critical safety incidents. But for all the legislative activity, Gil says, regulation is running behind the technology because we don’t really understand how it works. “Governments are cautious to regulate AI because … we don’t understand many things very well,” she says. “We don’t have a good handle on those systems.”",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/AIIndex-1.jpg",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/13\/1135675\/want-to-understand-the-current-state-of-ai-check-out-these-charts\/",
            "date": "2026-04-13",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "هل تريد أن تفهم الوضع الحالي للذكاء الاصطناعي؟ تحقق من هذه المخططات.",
            "summary_ar": "إذا كنت تتابع أخبار الذكاء الاصطناعي، فمن المحتمل أن تتعرض للإصابة. الذكاء الاصطناعي هو اندفاع الذهب. الذكاء الاصطناعي عبارة عن فقاعة. الذكاء الاصطناعي يأخذ وظيفتك. لا يستطيع الذكاء الاصطناعي حتى قراءة الساعة. صدر اليوم مؤشر الذكاء الاصطناعي لعام 2026 الصادر عن معهد الذكاء الاصطناعي المرتكز على الإنسان بجامعة ستانفورد، وهو بطاقة التقرير السنوية للذكاء الاصطناعي، ليتغلب على بعض هذه الضجة. على الرغم من التوقعات بأن تطوير الذكاء الاصطناعي قد يصل إلى طريق مسدود، يقول التقرير أن النماذج العليا تستمر في التحسن. يتبنى الناس الذكاء الاصطناعي بشكل أسرع من استخدامهم للكمبيوتر الشخصي أو الإنترنت. تحقق شركات الذكاء الاصطناعي إيرادات بشكل أسرع من الشركات في أي طفرة تكنولوجية سابقة، لكنها تنفق أيضًا مئات المليارات من الدولارات على مراكز البيانات والرقائق. المعايير المصممة لقياس الذكاء الاصطناعي، والسياسات التي تهدف إلى التحكم فيه، وسوق العمل",
            "body_ar": "إذا كنت تتابع أخبار الذكاء الاصطناعي، فمن المحتمل أن تتعرض للإصابة. الذكاء الاصطناعي هو اندفاع الذهب. الذكاء الاصطناعي عبارة عن فقاعة. الذكاء الاصطناعي يأخذ وظيفتك. لا يستطيع الذكاء الاصطناعي حتى قراءة الساعة. صدر اليوم مؤشر الذكاء الاصطناعي لعام 2026 الصادر عن معهد الذكاء الاصطناعي المرتكز على الإنسان بجامعة ستانفورد، وهو بطاقة التقرير السنوية للذكاء الاصطناعي، ليتغلب على بعض هذه الضجة. على الرغم من التوقعات بأن تطوير الذكاء الاصطناعي قد يصل إلى طريق مسدود، يقول التقرير أن النماذج العليا تستمر في التحسن. يتبنى الناس الذكاء الاصطناعي بشكل أسرع من استخدامهم للكمبيوتر الشخصي أو الإنترنت. تحقق شركات الذكاء الاصطناعي إيرادات بشكل أسرع من الشركات في أي طفرة تكنولوجية سابقة، لكنها تنفق أيضًا مئات المليارات من الدولارات على مراكز البيانات والرقائق. إن المعايير المصممة لقياس الذكاء الاصطناعي، والسياسات التي تهدف إلى التحكم فيه، وسوق العمل تكافح من أجل مواكبة ذلك. الذكاء الاصطناعي يركض بسرعة، والبقية منا يحاولون العثور على أحذيتهم. كل هذه السرعة تأتي بتكلفة. يمكن لمراكز بيانات الذكاء الاصطناعي حول العالم الآن أن تستمد 29.6 جيجاوات من الطاقة، وهو ما يكفي لتشغيل ولاية نيويورك بأكملها عند ذروة الطلب. إن الاستخدام السنوي للمياه من تشغيل GPT-4o الخاص بشركة OpenAI وحده قد يتجاوز احتياجات مياه الشرب لـ 12 مليون شخص. وفي الوقت نفسه، فإن سلسلة توريد الرقائق هشة بشكل مثير للقلق. وتستضيف الولايات المتحدة معظم مراكز بيانات الذكاء الاصطناعي في العالم، وتقوم شركة واحدة في تايوان، وهي شركة TSMC، بتصنيع كل شريحة ذكاء اصطناعي رائدة تقريبًا. تكشف البيانات عن تكنولوجيا تتطور بشكل أسرع مما يمكننا إدارته. وفيما يلي نظرة على بعض النقاط الرئيسية في تقرير هذا العام. في سباق طويل ساخن مع رهانات جيوسياسية هائلة، تتقارب الولايات المتحدة والصين تقريبًا بشأن أداء نموذج الذكاء الاصطناعي، وفقًا لـ Arena، وهي منصة تصنيف مدفوعة بالمجتمع تسمح للمستخدمين بمقارنة مخرجات نماذج اللغات الكبيرة على مطالبات متطابقة. في أوائل عام 2023، كانت OpenAI تتقدم مع ChatGPT، لكن هذه الفجوة ضاقت في عام 2024 عندما أصدرت Google وAnthropic نماذجهما الخاصة. في فبراير 2025، تطابق R1، وهو نموذج للذكاء الاصطناعي أنشأه المختبر الصيني DeepSeek، لفترة وجيزة مع النموذج الأمريكي الأعلى ChatGPT. اعتبارًا من مارس 2026، تقدمت الأنثروبيك، تليها عن كثب xAI وGoogle وOpenAI. وتتأخر النماذج الصينية مثل DeepSeek وAlibaba بشكل متواضع. مع فصل أفضل نماذج الذكاء الاصطناعي في التصنيف بهوامش ضئيلة للغاية، فإنها تتنافس الآن على التكلفة والموثوقية والفائدة في العالم الحقيقي. ويشير المؤشر إلى أن الولايات المتحدة والصين تتمتعان بمزايا مختلفة في مجال الذكاء الاصطناعي. في حين أن الولايات المتحدة لديها نماذج أقوى للذكاء الاصطناعي، والمزيد من رأس المال، وما يقدر بنحو 5427 مركز بيانات (أكثر من 10 أضعاف أي دولة أخرى)، فإن الصين تقود المنشورات البحثية في مجال الذكاء الاصطناعي، وبراءات الاختراع، والروبوتات. ومع اشتداد المنافسة، لم تعد شركات مثل OpenAI، وAnthropic، وGoogle تكشف عن أكواد التدريب الخاصة بها، أو عدد المعلمات، أو أحجام مجموعة البيانات. تقول يولاندا جيل، عالمة الكمبيوتر في جامعة جنوب كاليفورنيا والتي شاركت في تأليف التقرير: \"نحن لا نعرف الكثير من الأشياء حول التنبؤ بالسلوكيات النموذجية\". وتقول إن هذا الافتقار إلى الشفافية يجعل من الصعب على الباحثين المستقلين دراسة كيفية جعل نماذج الذكاء الاصطناعي أكثر أمانًا. تتقدم نماذج الذكاء الاصطناعي بسرعة فائقة على الرغم من التوقعات بأن التطور سوف يستقر، إلا أن نماذج الذكاء الاصطناعي تستمر في التحسن. وبموجب بعض المقاييس، فإنهم الآن يضاهيون أو يتفوقون على أداء الخبراء البشريين في الاختبارات التي تهدف إلى قياس مستوى الدكتوراه في العلوم والرياضيات وفهم اللغة. شهد SWE-bench Verified، وهو معيار هندسة برمجيات لنماذج الذكاء الاصطناعي، قفزة في أعلى الدرجات من حوالي 60% في عام 2024 إلى ما يقرب من 100% في عام 2025. وفي عام 2025، أنتج نظام الذكاء الاصطناعي توقعات الطقس من تلقاء نفسه. يقول جيل: \"أنا مندهش من أن هذه التكنولوجيا مستمرة في التحسن، وأنها لا تصل إلى مرحلة الاستقرار بأي شكل من الأشكال\". ومع ذلك، لا يزال الذكاء الاصطناعي يواجه صعوبات في الكثير من المجالات الأخرى. ولأن النماذج تتعلم من خلال معالجة كميات هائلة من النصوص والصور بدلاً من تجربة العالم المادي، فإن الذكاء الاصطناعي يُظهر \"ذكاءً متعرجاً\". لا تزال الروبوتات في أيامها الأولى وتنجح في 12% فقط من المهام المنزلية. أما السيارات ذاتية القيادة فقد قطعت شوطا طويلا: حيث تتجول سيارات Waymos الآن عبر خمس مدن أمريكية، وتقوم مركبات Apollo Go التابعة لشركة بايدو بنقل الركاب في جميع أنحاء الصين. ويتوسع الذكاء الاصطناعي أيضًا في المجالات المهنية مثل القانون والمالية، ولكن لا يوجد نموذج يهيمن على هذا المجال حتى الآن. لكن الطريقة التي نختبر بها الذكاء الاصطناعي فاشلة، وينبغي أن تؤخذ هذه التقارير عن التقدم المحرز بحذر. يقول تقرير جامعة ستانفورد إن المعايير المصممة لتتبع تقدم الذكاء الاصطناعي تكافح من أجل مواكبة النماذج التي تتخطى حدودها بسرعة. بعضها تم إنشاؤه بشكل سيء، وهو معيار شائع يختبر القدرات الرياضية للنموذج، ويبلغ معدل الخطأ فيه 42%. ويمكن التلاعب بنماذج أخرى: فعندما يتم تدريب النماذج على بيانات الاختبار المعياري، على سبيل المثال، يمكنها أن تتعلم كيفية تسجيل النتائج بشكل جيد دون أن تصبح أكثر ذكاءً. نظرًا لأنه نادرًا ما يتم استخدام الذكاء الاصطناعي بنفس الطريقة التي يتم اختباره بها، فإن الأداء المعياري القوي لا يُترجم دائمًا إلى أداء في العالم الحقيقي. وبالنسبة للتكنولوجيات التفاعلية المعقدة، مثل عملاء الذكاء الاصطناعي والروبوتات، بالكاد توجد معايير مرجعية حتى الآن. كما أن شركات الذكاء الاصطناعي لا تشارك معلومات كثيرة حول كيفية تدريب نماذجها، وفي بعض الأحيان تحكي الاختبارات المستقلة قصة مختلفة عما تنشره. يقول جيل: \"لا تعلن الكثير من الشركات عن كيفية أداء نماذجها في معايير معينة، لا سيما معايير الذكاء الاصطناعي المسؤول\". \"إن غياب كيفية أداء النموذج الخاص بك وفقًا للمعيار المعياري ربما يشير إلى شيء ما.\" بدأ الذكاء الاصطناعي في التأثير على الوظائف في غضون ثلاث سنوات من انتشاره، أصبح الذكاء الاصطناعي يستخدمه الآن أكثر من نصف الأشخاص حول العالم، وهو معدل اعتماد أسرع من الكمبيوتر الشخصي أو الإنترنت. يستخدم ما يقدر بنحو 88% من المؤسسات الآن الذكاء الاصطناعي، ويستخدمه أربعة من كل خمسة طلاب جامعيين. إنها الأيام الأولى للنشر، ومن الصعب قياس تأثير الذكاء الاصطناعي على الوظائف. ومع ذلك، تشير بعض الدراسات إلى أن الذكاء الاصطناعي بدأ يؤثر على العمال الشباب في بعض المهن. وفقا لدراسة أجراها خبراء اقتصاديون في جامعة ستانفورد عام 2025، انخفض توظيف مطوري البرمجيات الذين تتراوح أعمارهم بين 22 و 25 عاما بنسبة 20٪ تقريبا منذ عام 2022. وقد لا يُعزى هذا الانخفاض إلى الذكاء الاصطناعي وحده، حيث يمكن إلقاء اللوم على ظروف الاقتصاد الكلي الأوسع، ولكن يبدو أن الذكاء الاصطناعي يلعب دورا. يقول أصحاب العمل أن التوظيف قد يستمر في التشديد. وفقًا لاستطلاع أجرته شركة McKinsey & Company عام 2025، تتوقع ثلث المؤسسات أن يؤدي الذكاء الاصطناعي إلى تقليص قوتها العاملة في العام المقبل، لا سيما في عمليات الخدمة وسلسلة التوريد وهندسة البرمجيات. يعمل الذكاء الاصطناعي على تعزيز الإنتاجية بنسبة 14% في خدمة العملاء و26% في تطوير البرمجيات، وفقًا لبحث استشهد به المؤشر، لكن مثل هذه المكاسب لا تظهر في المهام التي تتطلب المزيد من الحكم. بشكل عام، لا يزال من السابق لأوانه فهم التأثير الاقتصادي الأكبر للذكاء الاصطناعي. لدى الناس مشاعر معقدة بشأن الذكاء الاصطناعي في جميع أنحاء العالم، يشعر الناس بالتفاؤل والقلق بشأن الذكاء الاصطناعي: يعتقد 59% من الناس أنه سيوفر فوائد أكثر من عيوبه، في حين يقول 52% أنه يجعلهم متوترين، وفقًا لاستطلاع أجرته مؤسسة إبسوس المذكورة في المؤشر. ومن الجدير بالذكر أن الخبراء والجمهور يرون مستقبل الذكاء الاصطناعي بشكل مختلف تمامًا، وفقًا لاستطلاع أجراه مركز بيو. وتتمحور الفجوة الأكبر حول مستقبل العمل: ففي حين يعتقد 73% من الخبراء أن الذكاء الاصطناعي سيكون له تأثير إيجابي على كيفية أداء الأشخاص لوظائفهم، فإن 23% فقط من الجمهور الأمريكي يعتقدون ذلك. كما أن الخبراء أكثر تفاؤلاً من عامة الناس بشأن تأثير الذكاء الاصطناعي على التعليم والرعاية الطبية، لكنهم متفقون على أن الذكاء الاصطناعي سيضر بالانتخابات والعلاقات الشخصية. ومن بين جميع البلدان التي شملها الاستطلاع، كان الأمريكيون أقل ثقة بحكومتهم في تنظيم الذكاء الاصطناعي بشكل مناسب، وفقًا لاستطلاع آخر لشركة إيبسوس. ويشعر المزيد من الأميركيين بالقلق من أن التنظيم الفيدرالي للذكاء الاصطناعي لن يذهب إلى أبعد من ذلك، أكثر من القلق من أنه سيذهب إلى أبعد من ذلك. الحكومات تكافح من أجل تنظيم الذكاء الاصطناعي تكافح الحكومات في جميع أنحاء العالم من أجل تنظيم الذكاء الاصطناعي، ولكن كانت هناك بعض النجاحات الطفيفة في العام الماضي. دخلت المحظورات الأولى التي فرضها قانون الاتحاد الأوروبي بشأن الذكاء الاصطناعي، والتي تحظر استخدام الذكاء الاصطناعي في الشرطة التنبؤية والتعرف على المشاعر، حيز التنفيذ. كما أصدرت اليابان وكوريا الجنوبية وإيطاليا قوانين وطنية للذكاء الاصطناعي. ومن ناحية أخرى، تحركت الحكومة الفيدرالية الأمريكية نحو إلغاء القيود التنظيمية، حيث أصدر الرئيس ترامب أمرا تنفيذيا يسعى إلى تقييد الولايات ومنعها من تنظيم الذكاء الاصطناعي. وعلى الرغم من هذا الإجراء الفيدرالي، أقرت المجالس التشريعية في الولايات المتحدة رقماً قياسياً بلغ 150 مشروع قانون يتعلق بالذكاء الاصطناعي. سنت ولاية كاليفورنيا تشريعات تاريخية، بما في ذلك SB 53، الذي يفرض الكشف عن السلامة وحماية المبلغين عن المخالفات لمطوري نماذج الذكاء الاصطناعي. أقرت نيويورك قانون RAISE، الذي يتطلب من شركات الذكاء الاصطناعي نشر بروتوكولات السلامة والإبلاغ عن حوادث السلامة الحرجة. ولكن بالنسبة لجميع الأنشطة التشريعية، يقول جيل، فإن التنظيم يتخلف عن التكنولوجيا لأننا لا نفهم حقًا كيف تعمل. وتقول: \"الحكومات حذرة في تنظيم الذكاء الاصطناعي لأننا لا نفهم أشياء كثيرة بشكل جيد\". \"ليس لدينا تعامل جيد مع هؤلاء الأنظمة.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/agentic-coding-at-enterprise-scale-demands-spec-driven-development",
            "title_en": "Agentic coding at enterprise scale demands spec-driven development",
            "summary_en": "Presented by AWS Autonomous agents are compressing software delivery timelines from weeks to days. The enterprises that scale agents safely will be the ones that build using spec-driven development. There’s a moment in every technology shift where the early adopters stop being outliers and start being the baseline. We’re at that moment in software development, and most teams don’t realize it yet. A year ago, vibe coding went viral. Non-developers and junior developers discovered they could build beyond their abilities with AI. It lowered the floor. It made prototyping much quicker, but it also introduced a surplus of slop. What the industry then needed was something that raised the ceiling — something that improved code quality and worked the way the most expert developers work. Spec-drive",
            "body_en": "Presented by AWS Autonomous agents are compressing software delivery timelines from weeks to days. The enterprises that scale agents safely will be the ones that build using spec-driven development. There’s a moment in every technology shift where the early adopters stop being outliers and start being the baseline. We’re at that moment in software development, and most teams don’t realize it yet. A year ago, vibe coding went viral. Non-developers and junior developers discovered they could build beyond their abilities with AI. It lowered the floor. It made prototyping much quicker, but it also introduced a surplus of slop. What the industry then needed was something that raised the ceiling — something that improved code quality and worked the way the most expert developers work. Spec-driven development did that. It laid the foundation for trustworthy autonomous coding agents. Specs are the trust model for autonomous development Most discussions of AI-generated code focus on whether AI can write code. The harder question is whether you can trust it. The answer runs directly through the spec. Spec-driven development starts with a deceptively simple idea: before an AI agent writes a single line of code, it works from a structured, context-rich specification that defines what the system is supposed to do, what its properties are, and what \"correct\" actually means. That specification is an artifact the agent reasons against throughout the entire development process — fundamentally different from pre-agentic AI approaches of writing documentation after the fact. Enterprise teams are building on this foundation. The Kiro IDE team used Kiro to build Kiro IDE — an agentic coding environment with native spec-driven development — cutting feature builds from two weeks to two days. An AWS engineering team completed an 18-month rearchitecture project, originally scoped for 30 developers, with six people in 76 days using Kiro. An Amazon.com engineering team rolled out “Add to Delivery” — a feature that lets shoppers add items after checkout — two months ahead of schedule by using Kiro and spec-driven development. Alexa+, Amazon Finance, Amazon Stores, AWS, Fire TV, Last Mile Delivery, Prime Video, and more all integrate spec-driven development as part of their build approaches. That shift changes everything downstream. Verifiable testing is what makes autonomous agents safe to run The spec becomes an automated correctness engine. When a developer is generating 150 check-ins per week with AI assistance, no human can manually review that volume of code. Instead, code built against a concrete specification can be verified through property-based testing and neurosymbolic AI techniques that automatically generate hundreds of test cases derived directly from the spec, probing edge cases no human would think to write by hand. These tests prove that the code satisfies the spec’s defined properties, going well beyond hand-written test suites to provably correct behavior. Verifiable testing enables the shift from one-shot programming to continuous autonomous development. Traditional AI-assisted development operates as a single shot: you give the agent a spec, the agent produces output, and the process ends. Today’s agents continuously correct themselves, feeding build and test failures back into their own reasoning, generating additional tests to probe their own output, and iterating until they produce something both functional and verifiable. The spec is the anchor that keeps that loop from drifting. Instead of developers constantly checking in to see if the agent is making the right decisions, the agent can check itself against the spec to make sure it is on the right path. The autonomous agent of the future will write its own specs, using specifications as the mechanism for self-correction, for verification, for ensuring that what it produces matches the intended behavior of the system. Multi-agent, autonomous, and running right now The developers setting the pace today operate in a fundamentally different way. Developers spend significant time building their spec, as well as writing steering files used by the spec to make sure the agent knows what and how to build — more time than their agent may spend building the actual software. They run multiple agents in parallel to critique a problem from different perspectives, as well as run multiple specs, each written for a different component of the system they are building. They let agents run for hours, sometimes days. They use thousands of Kiro credits because the output justifies it. A year ago, agents would lose context and fall apart after 20 minutes. Now, every week you can run them longer than the week before. Agentic capabilities have improved significantly in the last six months that genuinely complex problems are tractable. Newer LLMs are more token-efficient than the previous generation, so for the same spend, you get dramatically more done. The challenge is that doing this well requires deep expertise. The tools, methodologies, and infrastructure exist, but orchestrating them is hard. The goal with Kiro is to bring these capabilities with deep expertise to every developer, not just the top one percent who’ve figured it out. Infrastructure is catching up to ambition Agents will be ten times more capable within a year. That’s the rate of improvement we’re seeing week over week. The infrastructure to support that level of capability is converging at the same time. Agents are now running in the cloud rather than locally, executing in parallel at scale with secure, reliable communication between agent systems. Organizations can now run agentic workloads the way they’d run any enterprise-grade distributed system — with governance, cost controls, and reliability guarantees that serious software demands. Spec-driven development is the architecture of tomorrow’s autonomous systems. Developers are no longer restricted by how they want to solve the problem. The developers who thrive in this world are the ones building that foundation now: using spec-driven development, prioritizing testability and verification from the start, working with agents as collaborators, and thinking in systems instead of syntax. Deepak Singh is VP of Kiro at AWS. Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/2rJojVwrwSjusrUh8o2u9D\/6b563c4c6e9e524aa2fa38721fec7aee\/AdobeStock_1672728955__1_.jpeg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/agentic-coding-at-enterprise-scale-demands-spec-driven-development",
            "date": "2026-04-14",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يتطلب الترميز الوكيل على مستوى المؤسسة تطويرًا يعتمد على المواصفات",
            "summary_ar": "يقوم وكلاء AWS Autonomous المقدمون بضغط الجداول الزمنية لتسليم البرامج من أسابيع إلى أيام. الشركات التي تقوم بتوسيع نطاق الوكلاء بأمان هي تلك التي تبني باستخدام التطوير القائم على المواصفات. هناك لحظة في كل تحول تكنولوجي يتوقف فيها المتبنون الأوائل عن كونهم قيمًا متطرفة ويبدأون في كونهم خط الأساس. نحن في تلك اللحظة في تطوير البرمجيات، ومعظم الفرق لا تدرك ذلك بعد. قبل عام مضى، انتشرت البرمجة الحماسية على نطاق واسع. اكتشف غير المطورين والمطورين المبتدئين أن بإمكانهم البناء بما يتجاوز قدراتهم باستخدام الذكاء الاصطناعي. خفضت الكلمة. لقد جعلت النماذج الأولية أسرع بكثير، ولكنها قدمت أيضًا فائضًا من الانحدار. ما احتاجته الصناعة آنذاك هو شيء يرفع السقف - شيء يعمل على تحسين جودة التعليمات البرمجية ويعمل بالطريقة التي يعمل بها معظم المطورين الخبراء. محرك المواصفات",
            "body_ar": "يقوم وكلاء AWS Autonomous المقدمون بضغط الجداول الزمنية لتسليم البرامج من أسابيع إلى أيام. الشركات التي تقوم بتوسيع نطاق الوكلاء بأمان هي تلك التي تبني باستخدام التطوير القائم على المواصفات. هناك لحظة في كل تحول تكنولوجي يتوقف فيها المتبنون الأوائل عن كونهم قيمًا متطرفة ويبدأون في كونهم خط الأساس. نحن في تلك اللحظة في تطوير البرمجيات، ومعظم الفرق لا تدرك ذلك بعد. قبل عام مضى، انتشرت البرمجة الحماسية على نطاق واسع. اكتشف غير المطورين والمطورين المبتدئين أن بإمكانهم البناء بما يتجاوز قدراتهم باستخدام الذكاء الاصطناعي. خفضت الكلمة. لقد جعلت النماذج الأولية أسرع بكثير، ولكنها قدمت أيضًا فائضًا من الانحدار. ما احتاجته الصناعة آنذاك هو شيء يرفع السقف - شيء يعمل على تحسين جودة التعليمات البرمجية ويعمل بالطريقة التي يعمل بها معظم المطورين الخبراء. لقد فعل التطوير القائم على المواصفات ذلك. لقد أرسى الأساس لوكلاء الترميز المستقلين الجديرين بالثقة. المواصفات هي نموذج الثقة للتطوير الذاتي تركز معظم المناقشات حول التعليمات البرمجية التي ينشئها الذكاء الاصطناعي على ما إذا كان الذكاء الاصطناعي يمكنه كتابة التعليمات البرمجية. السؤال الأصعب هو ما إذا كان يمكنك الوثوق به. الجواب يعمل مباشرة من خلال المواصفات. يبدأ التطوير المعتمد على المواصفات بفكرة بسيطة خادعة: قبل أن يكتب وكيل الذكاء الاصطناعي سطرًا واحدًا من التعليمات البرمجية، فإنه يعمل من خلال مواصفات منظمة وغنية بالسياق تحدد ما يفترض أن يفعله النظام، وما هي خصائصه، وما تعنيه كلمة \"صحيح\" في الواقع. هذه المواصفات عبارة عن قطعة أثرية يعارضها الوكيل طوال عملية التطوير بأكملها - وتختلف بشكل أساسي عن أساليب الذكاء الاصطناعي السابقة لكتابة الوثائق بعد وقوعها. تعتمد فرق المؤسسة على هذا الأساس. استخدم فريق Kiro IDE Kiro لبناء Kiro IDE - وهي بيئة برمجة فعالة مع تطوير أصلي يعتمد على المواصفات - يتم إنشاء ميزات القطع من أسبوعين إلى يومين. أكمل فريق هندسي في AWS مشروع إعادة هندسة مدته 18 شهرًا، وكان مخصصًا في الأصل لـ 30 مطورًا، مع ستة أشخاص في 76 يومًا باستخدام Kiro. قام فريق هندسي من Amazon.com بإطلاق ميزة \"الإضافة إلى التسليم\" - وهي ميزة تتيح للمتسوقين إضافة عناصر بعد الدفع - قبل شهرين من الموعد المحدد باستخدام Kiro والتطوير القائم على المواصفات. تقوم Alexa+ وAmazon Finance وAmazon Stores وAWS وFire TV وLast Mile Delivery وPrime Video والمزيد بدمج التطوير القائم على المواصفات كجزء من أساليب البناء الخاصة بهم. هذا التحول يغير كل شيء في اتجاه مجرى النهر. الاختبار الذي يمكن التحقق منه هو ما يجعل تشغيل الوكلاء المستقلين آمنًا. وتصبح المواصفات محرك صحة آليًا. عندما يقوم أحد المطورين بإجراء 150 عملية تسجيل وصول أسبوعيًا بمساعدة الذكاء الاصطناعي، لا يمكن لأي إنسان مراجعة هذا الحجم من التعليمات البرمجية يدويًا. بدلاً من ذلك، يمكن التحقق من التعليمات البرمجية المبنية وفقًا لمواصفات محددة من خلال الاختبارات القائمة على الخصائص وتقنيات الذكاء الاصطناعي الرمزية العصبية التي تولد تلقائيًا مئات من حالات الاختبار المستمدة مباشرة من المواصفات، وتستكشف الحالات المتطورة التي لا يفكر أي إنسان في كتابتها يدويًا. تثبت هذه الاختبارات أن الكود يلبي الخصائص المحددة للمواصفات، ويتجاوز مجموعات الاختبار المكتوبة بخط اليد إلى تصحيح السلوك بشكل يمكن إثباته. يتيح الاختبار الذي يمكن التحقق منه التحول من برمجة اللقطة الواحدة إلى التطوير الذاتي المستمر. يعمل التطوير التقليدي المدعوم بالذكاء الاصطناعي كلقطة واحدة: فأنت تعطي الوكيل مواصفات، وينتج الوكيل المخرجات، وتنتهي العملية. يقوم وكلاء اليوم بتصحيح أنفسهم بشكل مستمر، وتغذية حالات فشل البناء والاختبار مرة أخرى في تفكيرهم الخاص، وإنشاء اختبارات إضافية للتحقق من مخرجاتهم، والتكرار حتى ينتجوا شيئًا عمليًا وقابلاً للتحقق. المواصفات هي المرساة التي تمنع تلك الحلقة من الانجراف. بدلاً من قيام المطورين بالتحقق باستمرار لمعرفة ما إذا كان الوكيل يتخذ القرارات الصحيحة، يمكن للوكيل التحقق من نفسه وفقًا للمواصفات للتأكد من أنه على المسار الصحيح. سيكتب الوكيل المستقل في المستقبل مواصفاته الخاصة، باستخدام المواصفات كآلية للتصحيح الذاتي، وللتحقق، وللتأكد من أن ما ينتجه يطابق السلوك المقصود للنظام. متعدد الوكلاء، مستقل، ويعمل الآن. يعمل المطورون الذين يحددون وتيرة العمل اليوم بطريقة مختلفة جذريًا. يقضي المطورون وقتًا كبيرًا في بناء المواصفات الخاصة بهم، بالإضافة إلى كتابة ملفات التوجيه التي تستخدمها المواصفات للتأكد من أن الوكيل يعرف ماذا وكيف يبني - وقت أطول مما قد يقضيه وكيلهم في بناء البرنامج الفعلي. فهم يقومون بتشغيل عدة وكلاء بالتوازي لنقد المشكلة من وجهات نظر مختلفة، بالإضافة إلى تشغيل مواصفات متعددة، كل منها مكتوب لمكون مختلف من النظام الذي يقومون ببنائه. لقد سمحوا للعملاء بالعمل لساعات، وأحيانا لأيام. يستخدمون آلاف أرصدة Kiro لأن الناتج يبرر ذلك. قبل عام، كان العملاء يفقدون سياقهم وينهارون بعد 20 دقيقة. الآن، يمكنك تشغيلها كل أسبوع لفترة أطول من الأسبوع السابق. لقد تحسنت قدرات الوكلاء بشكل ملحوظ في الأشهر الستة الماضية بحيث أصبحت المشكلات المعقدة حقًا قابلة للحل. تعد شهادات LLM الأحدث أكثر كفاءة من حيث الرمز المميز من الجيل السابق، لذلك بنفس الإنفاق، يمكنك إنجاز المزيد بشكل كبير. ويتمثل التحدي في أن القيام بذلك بشكل جيد يتطلب خبرة عميقة. الأدوات والمنهجيات والبنية التحتية موجودة، لكن تنسيقها أمر صعب. الهدف من Kiro هو جلب هذه القدرات مع الخبرة العميقة لكل مطور، وليس فقط لأعلى واحد في المائة ممن اكتشفوا ذلك. البنية التحتية تواكب الطموح. سيكون الوكلاء أكثر قدرة بعشر مرات في غضون عام واحد. هذا هو معدل التحسن الذي نشهده أسبوعًا بعد أسبوع. وتتقارب البنية التحتية لدعم هذا المستوى من القدرة في نفس الوقت. يعمل الوكلاء الآن في السحابة وليس محليًا، وينفذون بالتوازي على نطاق واسع مع اتصال آمن وموثوق بين أنظمة الوكلاء. يمكن للمؤسسات الآن تشغيل أعباء العمل الوكيلة بنفس الطريقة التي تدير بها أي نظام موزع على مستوى المؤسسة - مع ضمانات الحوكمة وضوابط التكلفة والموثوقية التي تتطلبها البرامج الجادة. إن التطوير القائم على المواصفات هو بنية أنظمة المستقبل المستقلة. لم يعد المطورون مقيدين بالطريقة التي يريدون بها حل المشكلة. المطورون الذين يزدهرون في هذا العالم هم الذين يبنون هذا الأساس الآن: استخدام التطوير القائم على المواصفات، وإعطاء الأولوية للاختبار والتحقق من البداية، والعمل مع الوكلاء كمتعاونين، والتفكير في الأنظمة بدلاً من بناء الجملة. ديباك سينغ هو نائب رئيس Kiro في AWS. المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/five-signs-data-drift-is-already-undermining-your-security-models",
            "title_en": "Five signs data drift is already undermining your security models",
            "summary_en": "Data drift happens when the statistical properties of a machine learning (ML) model's input data change over time, eventually rendering its predictions less accurate. Cybersecurity professionals who rely on ML for tasks like malware detection and network threat analysis find that undetected data drift can create vulnerabilities. A model trained on old attack patterns may fail to see today's sophisticated threats. Recognizing the early signs of data drift is the first step in maintaining reliable and efficient security systems. Why data drift compromises security models ML models are trained on a snapshot of historical data. When live data no longer resembles this snapshot, the model's performance dwindles, creating a critical cybersecurity risk . A threat detection model may",
            "body_en": "Data drift happens when the statistical properties of a machine learning (ML) model's input data change over time, eventually rendering its predictions less accurate. Cybersecurity professionals who rely on ML for tasks like malware detection and network threat analysis find that undetected data drift can create vulnerabilities. A model trained on old attack patterns may fail to see today's sophisticated threats. Recognizing the early signs of data drift is the first step in maintaining reliable and efficient security systems. Why data drift compromises security models ML models are trained on a snapshot of historical data. When live data no longer resembles this snapshot, the model's performance dwindles, creating a critical cybersecurity risk . A threat detection model may generate more false negatives by missing real breaches or create more false positives, leading to alert fatigue for security teams. Adversaries actively exploit this weakness. In 2024, attackers used echo-spoofing techniques to bypass email protection services. By exploiting misconfigurations in the system, they sent millions of spoofed emails that evaded the vendor's ML classifiers. This incident demonstrates how threat actors can manipulate input data to exploit blind spots. When a security model fails to adapt to shifting tactics, it becomes a liability. 5 indicators of data drift Security professionals can recognize the presence of drift (or its potential) in several ways. 1. A sudden drop in model performance Accuracy, precision, and recall are often the first casualties. A consistent decline in these key metrics is a red flag that the model is no longer in sync with the current threat landscape. Consider Klarna's success: Its AI assistant handled 2.3 million customer service conversations in its first month and performed work equivalent to 700 agents. This efficiency drove a 25% decline in repeat inquiries and reduced resolution times to under two minutes. Now imagine if those parameters suddenly reversed because of drift. In a security context, a similar drop in performance does not just mean unhappy clients — it also means successful intrusions and potential data exfiltration. 2. Shifts in statistical distributions Security teams should monitor the core statistical properties of input features, such as the mean, median, and standard deviation. A significant change in these metrics from training data could indicate the underlying data has changed. Monitoring for such shifts enables teams to catch drift before it causes a breach. For example, a phishing detection model might be trained on emails with an average attachment size of 2MB. If the average attachment size suddenly jumps to 10MB due to a new malware-delivery method, the model may fail to classify these emails correctly. 3. Changes in prediction behavior Even if overall accuracy seems stable, distributions of predictions might change, a phenomenon often referred to as prediction drift. For instance, if a fraud detection model historically flagged 1% of transactions as suspicious but suddenly starts flagging 5% or 0.1%, either something has shifted or the nature of the input data has changed. It might indicate a new type of attack that confuses the model or a change in legitimate user behavior that the model was not trained to identify. 4. An increase in model uncertainty For models that provide a confidence score or probability with their predictions, a general decrease in confidence can be a subtle sign of drift. Recent studies highlight the value of uncertainty quantification in detecting adversarial attacks. If the model becomes less sure about its forecasts across the board, it is likely facing data it was not trained on. In a cybersecurity setting, this uncertainty is an early sign of potential model failure, suggesting the model is operating in unfamiliar ground and that its decisions might no longer be reliable. 5. Changes in feature relationships The correlation between different input features can also change over time. In a network intrusion model, traffic volume and packet size might be highly linked during normal operations. If that correlation disappears, it can signal a change in network behavior that the model may not understand. A sudden feature decoupling could indicate a new tunneling tactic or a stealthy exfiltration attempt. Approaches to detecting and mitigating data drift Common detection methods include the Kolmogorov-Smirnov (KS) and the population stability index (PSI). These compare the distributions of live and training data to identify deviations. The KS test determines if two datasets differ significantly, while the PSI measures how much a variable's distribution has shifted over time. The mitigation method of choice often depends on how the drift manifests, as distribution changes may occur suddenly. For example, customers' buying behavior may change overnight with the launch of a new product or a promotion. In other cases, drift may occur gradually over a more extended period. That said, security teams must learn to adjust their monitoring cadence to capture both rapid spikes and slow burns. Mitigation will involve retraining the model on more recent data to reclaim its effectiveness. Proactively manage drift for stronger security Data drift is an inevitable reality, and cybersecurity teams can maintain a strong security posture by treating detection as a continuous and automated process. Proactive monitoring and model retraining are fundamental practices to ensure ML systems remain reliable allies against developing threats. Zac Amos is the Features Editor at ReHack .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/erAw6FrOeAX9eZJqeF2Dx\/3a759d02f32a698bdc815c787701a17a\/AI_drift.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/five-signs-data-drift-is-already-undermining-your-security-models",
            "date": "2026-04-12",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "خمس علامات تشير إلى أن انحراف البيانات يقوض بالفعل نماذج الأمان الخاصة بك",
            "summary_ar": "يحدث انحراف البيانات عندما تتغير الخصائص الإحصائية لبيانات إدخال نموذج التعلم الآلي (ML) بمرور الوقت، مما يجعل تنبؤاتها في النهاية أقل دقة. يجد متخصصو الأمن السيبراني الذين يعتمدون على التعلم الآلي في مهام مثل الكشف عن البرامج الضارة وتحليل تهديدات الشبكة أن انجراف البيانات غير المكتشفة يمكن أن يؤدي إلى ثغرات أمنية. قد يفشل النموذج الذي تم تدريبه على أنماط الهجوم القديمة في رؤية التهديدات المتطورة الحالية. يعد التعرف على العلامات المبكرة لانجراف البيانات هو الخطوة الأولى في الحفاظ على أنظمة أمنية موثوقة وفعالة. لماذا يؤدي انحراف البيانات إلى إضعاف نماذج الأمان؟ يتم تدريب نماذج تعلم الآلة على لقطة من البيانات التاريخية. عندما لا تعود البيانات الحية تشبه هذه اللقطة، يتضاءل أداء النموذج، مما يخلق خطرًا كبيرًا على الأمن السيبراني. نموذج الكشف عن التهديد يمكن",
            "body_ar": "يحدث انحراف البيانات عندما تتغير الخصائص الإحصائية لبيانات إدخال نموذج التعلم الآلي (ML) بمرور الوقت، مما يجعل تنبؤاتها في النهاية أقل دقة. يجد متخصصو الأمن السيبراني الذين يعتمدون على التعلم الآلي في مهام مثل الكشف عن البرامج الضارة وتحليل تهديدات الشبكة أن انجراف البيانات غير المكتشفة يمكن أن يؤدي إلى ثغرات أمنية. قد يفشل النموذج الذي تم تدريبه على أنماط الهجوم القديمة في رؤية التهديدات المتطورة الحالية. يعد التعرف على العلامات المبكرة لانجراف البيانات هو الخطوة الأولى في الحفاظ على أنظمة أمنية موثوقة وفعالة. لماذا يؤدي انحراف البيانات إلى إضعاف نماذج الأمان؟ يتم تدريب نماذج تعلم الآلة على لقطة من البيانات التاريخية. عندما لا تعود البيانات الحية تشبه هذه اللقطة، يتضاءل أداء النموذج، مما يخلق خطرًا كبيرًا على الأمن السيبراني. قد يؤدي نموذج الكشف عن التهديدات إلى توليد المزيد من النتائج السلبية الكاذبة من خلال تفويت الانتهاكات الحقيقية أو إنشاء المزيد من النتائج الإيجابية الكاذبة، مما يؤدي إلى إرهاق فرق الأمن. ويستغل الخصوم هذا الضعف بنشاط. وفي عام 2024، استخدم المهاجمون تقنيات انتحال الصدى لتجاوز خدمات حماية البريد الإلكتروني. ومن خلال استغلال التكوينات الخاطئة في النظام، أرسلوا الملايين من رسائل البريد الإلكتروني المخادعة التي تهربت من مصنفات تعلم الآلة الخاصة بالبائع. يوضح هذا الحادث كيف يمكن للجهات الفاعلة في مجال التهديد التعامل مع البيانات المدخلة لاستغلال النقاط العمياء. عندما يفشل النموذج الأمني ​​في التكيف مع التكتيكات المتغيرة، فإنه يصبح مسؤولية. 5 مؤشرات لانحراف البيانات يمكن لمحترفي الأمن التعرف على وجود انحراف (أو إمكاناته) بعدة طرق. 1. الانخفاض المفاجئ في أداء النموذج غالبًا ما تكون الدقة والضبط والاستدعاء أول الضحايا. يعد الانخفاض المستمر في هذه المقاييس الرئيسية علامة حمراء تشير إلى أن النموذج لم يعد متزامنًا مع مشهد التهديدات الحالي. خذ بعين الاعتبار نجاح Klarna: تعامل مساعد الذكاء الاصطناعي الخاص بها مع 2.3 مليون محادثة لخدمة العملاء في شهره الأول وقام بعمل يعادل 700 وكيل. أدت هذه الكفاءة إلى انخفاض بنسبة 25% في الاستفسارات المتكررة وتقليل أوقات الحل إلى أقل من دقيقتين. الآن تخيل لو أن هذه المعلمات قد انعكست فجأة بسبب الانجراف. وفي سياق أمني، لا يعني الانخفاض المماثل في الأداء العملاء غير الراضين فحسب، بل يعني أيضًا عمليات الاقتحام الناجحة وتسرب البيانات المحتمل. 2. التحولات في التوزيعات الإحصائية يجب على فرق الأمن مراقبة الخصائص الإحصائية الأساسية لميزات الإدخال، مثل المتوسط ​​والوسيط والانحراف المعياري. قد يشير التغيير الكبير في هذه المقاييس من بيانات التدريب إلى تغير البيانات الأساسية. إن مراقبة مثل هذه التحولات تمكن الفرق من اكتشاف الانجراف قبل أن يتسبب في حدوث خرق. على سبيل المثال، قد يتم تدريب نموذج اكتشاف التصيد الاحتيالي على رسائل البريد الإلكتروني التي يبلغ متوسط ​​حجم المرفقات فيها 2 ميجابايت. إذا قفز متوسط ​​حجم المرفقات فجأة إلى 10 ميغابايت بسبب طريقة جديدة لتسليم البرامج الضارة، فقد يفشل النموذج في تصنيف رسائل البريد الإلكتروني هذه بشكل صحيح. 3. التغييرات في سلوك التنبؤ حتى لو بدت الدقة الإجمالية مستقرة، فقد تتغير توزيعات التنبؤات، وهي ظاهرة يشار إليها غالبًا باسم انحراف التنبؤ. على سبيل المثال، إذا قام نموذج كشف الاحتيال بوضع علامة تاريخية على 1% من المعاملات على أنها مشبوهة ولكنه بدأ فجأة في وضع علامة على 5% أو 0.1%، فإما أن شيئًا ما قد تغير أو أن طبيعة البيانات المدخلة قد تغيرت. قد يشير إلى نوع جديد من الهجوم الذي يربك النموذج أو إلى تغيير في سلوك المستخدم الشرعي الذي لم يتم تدريب النموذج على التعرف عليه. 4. زيادة في عدم اليقين في النموذج بالنسبة للنماذج التي توفر درجة ثقة أو احتمالية مع تنبؤاتها، يمكن أن يكون الانخفاض العام في الثقة علامة خفية على الانحراف. تسلط الدراسات الحديثة الضوء على قيمة القياس الكمي لعدم اليقين في اكتشاف الهجمات العدائية. إذا أصبح النموذج أقل ثقة بشأن توقعاته في جميع المجالات، فمن المحتمل أن يواجه بيانات لم يتم تدريبه عليها. في بيئة الأمن السيبراني، يعد عدم اليقين هذا علامة مبكرة على فشل النموذج المحتمل، مما يشير إلى أن النموذج يعمل في أرض غير مألوفة وأن قراراته قد لا تكون موثوقة بعد الآن. 5. التغييرات في علاقات الميزات يمكن أيضًا أن يتغير الارتباط بين ميزات الإدخال المختلفة بمرور الوقت. في نموذج اختراق الشبكة، قد يكون حجم حركة المرور وحجم الحزمة مرتبطين بشكل كبير أثناء العمليات العادية. إذا اختفى هذا الارتباط، فقد يشير ذلك إلى تغيير في سلوك الشبكة قد لا يفهمه النموذج. يمكن أن يشير فصل الميزة المفاجئ إلى تكتيك جديد لحفر الأنفاق أو محاولة تسلل خفية. طرق كشف وتخفيف انحراف البيانات تتضمن طرق الكشف الشائعة Kolmogorov-Smirnov (KS) ومؤشر استقرار السكان (PSI). تقوم هذه بمقارنة توزيعات البيانات الحية والتدريبية لتحديد الانحرافات. يحدد اختبار KS ما إذا كانت مجموعتي البيانات تختلفان بشكل كبير، في حين يقيس مؤشر PSI مقدار تغير توزيع المتغير بمرور الوقت. غالبًا ما تعتمد طريقة التخفيف المفضلة على كيفية ظهور الانجراف، حيث قد تحدث تغييرات التوزيع فجأة. على سبيل المثال، قد يتغير سلوك الشراء لدى العملاء بين عشية وضحاها مع إطلاق منتج جديد أو عرض ترويجي. وفي حالات أخرى، قد يحدث الانجراف تدريجيا على مدى فترة أطول. ومع ذلك، يجب على فرق الأمن أن تتعلم كيفية ضبط إيقاع المراقبة الخاصة بها لالتقاط كل من الارتفاعات السريعة والاحتراق البطيء. وسوف يشمل التخفيف إعادة تدريب النموذج على بيانات أحدث لاستعادة فعاليته. إدارة الانجراف بشكل استباقي لتحقيق أمان أقوى يعد انجراف البيانات حقيقة لا مفر منها، ويمكن لفرق الأمن السيبراني الحفاظ على وضع أمني قوي من خلال التعامل مع الاكتشاف باعتباره عملية مستمرة ومؤتمتة. تعد المراقبة الاستباقية وإعادة التدريب على النماذج من الممارسات الأساسية لضمان بقاء أنظمة تعلم الآلة حلفاء موثوقين ضد التهديدات النامية. زاك آموس هو محرر الميزات في ReHack",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/your-developers-are-already-running-ai-locally-why-on-device-inference-is",
            "title_en": "Your developers are already running AI locally: Why on-device inference is the CISO’s new blind spot",
            "summary_en": "For the last 18 months, the CISO playbook for generative AI has been relatively simple: Control the browser. Security teams tightened cloud access security broker (CASB) policies, blocked or monitored traffic to well-known AI endpoints, and routed usage through sanctioned gateways. The operating model was clear: If sensitive data leaves the network for an external API call, we can observe it, log it, and stop it. But that model is starting to break. A quiet hardware shift is pushing large language model (LLM) usage off the network and onto the endpoint. Call it Shadow AI 2.0, or the “bring your own model” (BYOM) era: Employees running capable models locally on laptops, offline, with no API calls and no obvious network signature. The governance conversation is still framed as “data exfiltra",
            "body_en": "For the last 18 months, the CISO playbook for generative AI has been relatively simple: Control the browser. Security teams tightened cloud access security broker (CASB) policies, blocked or monitored traffic to well-known AI endpoints, and routed usage through sanctioned gateways. The operating model was clear: If sensitive data leaves the network for an external API call, we can observe it, log it, and stop it. But that model is starting to break. A quiet hardware shift is pushing large language model (LLM) usage off the network and onto the endpoint. Call it Shadow AI 2.0, or the “bring your own model” (BYOM) era: Employees running capable models locally on laptops, offline, with no API calls and no obvious network signature. The governance conversation is still framed as “data exfiltration to the cloud,” but the more immediate enterprise risk is increasingly “unvetted inference inside the device.\" When inference happens locally, traditional data loss prevention (DLP) doesn’t see the interaction. And when security can’t see it, it can’t manage it. Why local inference is suddenly practical Two years ago, running a useful LLM on a work laptop was a niche stunt. Today, it’s routine for technical teams. Three things converged: Consumer-grade accelerators got serious: A MacBook Pro with 64GB unified memory can often run quantized 70B-class models at usable speeds (with practical limits on context length). What once required multi-GPU servers is now feasible on a high-end laptop for many real workflows. Quantization went mainstream: It’s now easy to compress models into smaller, faster formats that fit within laptop memory often with acceptable quality tradeoffs for many tasks. Distribution is frictionless: Open-weight models are a single command away, and the tooling ecosystem makes “download → run → chat” trivial. The result: An engineer can pull down a multi‑GB model artifact, turn off Wi‑Fi, and run sensitive workflows locally, source code review, document summarization, drafting customer communications, even exploratory analysis over regulated datasets. No outbound packets, no proxy logs, no cloud audit trail. From a network-security perspective , that activity can look indistinguishable from “nothing happened”. The risk isn’t only data leaving the company anymore If the data isn’t leaving the laptop, why should a CISO care? Because the dominant risks shift from exfiltration to integrity, provenance, and compliance. In practice, local inference creates three classes of blind spots that most enterprises have not operationalized. 1. Code and decision contamination (integrity risk) Local models are often adopted because they’re fast, private, and “no approval required.\" The downside is that they’re frequently unvetted for the enterprise environment. A common scenario: A senior developer downloads a community-tuned coding model because it benchmarks well. They paste in internal auth logic, payment flows, or infrastructure scripts to “clean it up.\" The model returns output that looks competent, compiles, and passes unit tests, but subtly degrades security posture (weak input validation, unsafe defaults, brittle concurrency changes, dependency choices that aren’t allowed internally). The engineer commits the change. If that interaction happened offline, you may have no record that AI influenced the code path at all. And when you later do incident response, you’ll be investigating the symptom (a vulnerability) without visibility into a key cause (uncontrolled model usage). 2. Licensing and IP exposure (compliance risk) Many high-performing models ship with licenses that include restrictions on commercial use , attribution requirements, field-of-use limits, or obligations that can be incompatible with proprietary product development. When employees run models locally, that usage can bypass the organization’s normal procurement and legal review process. If a team uses a non-commercial model to generate production code, documentation, or product behavior, the company can inherit risk that shows up later during M&A diligence, customer security reviews, or litigation. The hard part is not just the license terms, it’s the lack of inventory and traceability. Without a governed model hub or usage record, you may not be able to prove what was used where. 3. Model supply chain exposure (provenance risk) Local inference also changes the software supply chain problem. Endpoints begin accumulating large model artifacts and the toolchains around them: ownloaders, converters, runtimes, plugins, UI shells, and Python packages. There is a critical technical nuance here: The file format matters. While newer formats like Safetensors are designed to prevent arbitrary code execution, older Pickle-based PyTorch files can execute malicious payloads simply when loaded. If your developers are grabbing unvetted checkpoints from Hugging Face or other repositories, they aren't just downloading data — they could be downloading an exploit. Security teams have spent decades learning to treat unknown executables as hostile. BYOM requires extending that mindset to model artifacts and the surrounding runtime stack. The biggest organizational gap today is that most companies have no equivalent of a software bill of materials for models: Provenance, hashes, allowed sources, scanning, and lifecycle management. Mitigating BYOM: treat model weights like software artifacts You can’t solve local inference by blocking URLs. You need endpoint-aware controls and a developer experience that makes the safe path the easy path. Here are three practical ways: 1. Move governance down to the endpoint Network DLP and CASB still matter for cloud usage, but they’re not sufficient for BYOM. Start treating local model usage as an endpoint governance problem by looking for specific signals: Inventory and detection: Scan for high-fidelity indicators like .gguf files larger than 2GB, processes like llama.cpp or Ollama, and local listeners on common default port 11434 . Process and runtime awareness: Monitor for repeated high GPU\/NPU (neural processing unit) utilization from unapproved runtimes or unknown local inference servers. Device policy: Use mobile device management (MDM) and endpoint detection and response (EDR) policies to control installation of unapproved runtimes and enforce baseline hardening on engineering devices. The point isn’t to punish experimentation. It’s to regain visibility. 2. Provide a paved road: An internal, curated model hub Shadow AI is often an outcome of friction. Approved tools are too restrictive, too generic, or too slow to approve. A better approach is to offer a curated internal catalog that includes: Approved models for common tasks (coding, summarization, classification) Verified licenses and usage guidance Pinned versions with hashes (prioritizing safer formats like Safetensors) Clear documentation for safe local usage, including where sensitive data is and isn’t allowed. If you want developers to stop scavenging, give them something better. 3. Update policy language: “Cloud services” isn’t enough anymore Most acceptable use policies talk about SaaS and cloud tools. BYOM requires policy that explicitly covers: Downloading and running model artifacts on corporate endpoints Acceptable sources License compliance requirements Rules for using models with sensitive data Retention and logging expectations for local inference tools This doesn’t need to be heavy-handed. It needs to be unambiguous. The perimeter is shifting back to the device For a decade we moved security controls “up” into the cloud. Local inference is pulling a meaningful slice of AI activity back “down” to the endpoint. 5 signals shadow AI has moved to endpoints: Large model artifacts: Unexplained storage consumption by .gguf or .pt files. Local inference servers: Processes listening on ports like 11434 (Ollama). GPU utilization patterns: Spikes in GPU usage while offline or disconnected from VPN. Lack of model inventory: Inability to map code outputs to specific model versions. License ambiguity: Presence of \"non-commercial\" model weights in production builds. Shadow AI 2.0 isn’t a hypothetical future, it’s a predictable consequence of fast hardware, easy distribution, and developer demand. CISOs who focus only on network controls will miss what’s happening on the silicon sitting right on employees’ desks. The next phase of AI governance is less about blocking websites and more about controlling artifacts, provenance, and policy at the endpoint, without killing productivity. Jayachander Reddy Kandakatla is a senior MLOps engineer.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/pAoHef9hMVI3aHoyHfluC\/f410fef5dc2a910939184a98db76eec4\/AI_perimeter.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/your-developers-are-already-running-ai-locally-why-on-device-inference-is",
            "date": "2026-04-12",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يقوم المطورون لديك بالفعل بتشغيل الذكاء الاصطناعي محليًا: لماذا يعد الاستدلال على الجهاز هو النقطة العمياء الجديدة لـ CISO",
            "summary_ar": "على مدار الثمانية عشر شهرًا الماضية، كان دليل CISO للذكاء الاصطناعي التوليدي بسيطًا نسبيًا: التحكم في المتصفح. قامت فرق الأمن بتشديد سياسات وسيط أمان الوصول إلى السحابة (CASB)، وحظرت أو مراقبة حركة المرور إلى نقاط نهاية الذكاء الاصطناعي المعروفة، وتوجيه الاستخدام من خلال بوابات خاضعة للعقوبات. كان نموذج التشغيل واضحًا: إذا غادرت البيانات الحساسة الشبكة لاستدعاء واجهة برمجة التطبيقات الخارجية، فيمكننا مراقبتها وتسجيلها وإيقافها. لكن هذا النموذج بدأ في الانهيار. يؤدي التحول الهادئ للأجهزة إلى دفع استخدام طراز اللغة الكبيرة (LLM) خارج الشبكة إلى نقطة النهاية. أطلق عليه اسم Shadow AI 2.0، أو عصر \"إحضار النموذج الخاص بك\" (BYOM): الموظفون الذين يقومون بتشغيل نماذج قادرة محليًا على أجهزة الكمبيوتر المحمولة، دون الاتصال بالإنترنت، بدون مكالمات API ولا توقيع واضح للشبكة. لا تزال محادثة الحوكمة ضمن إطار \"البيانات\". com.exfiltra",
            "body_ar": "على مدار الثمانية عشر شهرًا الماضية، كان دليل CISO للذكاء الاصطناعي التوليدي بسيطًا نسبيًا: التحكم في المتصفح. قامت فرق الأمن بتشديد سياسات وسيط أمان الوصول إلى السحابة (CASB)، وحظرت أو مراقبة حركة المرور إلى نقاط نهاية الذكاء الاصطناعي المعروفة، وتوجيه الاستخدام من خلال بوابات خاضعة للعقوبات. كان نموذج التشغيل واضحًا: إذا غادرت البيانات الحساسة الشبكة لاستدعاء واجهة برمجة التطبيقات الخارجية، فيمكننا مراقبتها وتسجيلها وإيقافها. لكن هذا النموذج بدأ في الانهيار. يؤدي التحول الهادئ للأجهزة إلى دفع استخدام طراز اللغة الكبيرة (LLM) خارج الشبكة إلى نقطة النهاية. أطلق عليه اسم Shadow AI 2.0، أو عصر \"إحضار النموذج الخاص بك\" (BYOM): الموظفون الذين يقومون بتشغيل نماذج قادرة محليًا على أجهزة الكمبيوتر المحمولة، دون الاتصال بالإنترنت، بدون مكالمات API ولا توقيع واضح للشبكة. لا تزال محادثة الحوكمة مؤطرة على أنها \"تسريب البيانات إلى السحابة\"، ولكن المخاطر المؤسسية الأكثر إلحاحًا تتمثل بشكل متزايد في \"الاستدلال غير المدقق داخل الجهاز\". عندما يحدث الاستدلال محليًا، فإن منع فقدان البيانات التقليدي (DLP) لا يرى التفاعل. وعندما لا يستطيع الأمن رؤيته، لا يستطيع إدارته. لماذا أصبح الاستدلال المحلي أمرًا عمليًا فجأة؟ قبل عامين، كان تشغيل ماجستير إدارة أعمال مفيد على جهاز كمبيوتر محمول خاص بالعمل بمثابة مغامرة متخصصة. اليوم، أصبح الأمر روتينيًا بالنسبة للفرق الفنية. ثلاثة أشياء متقاربة: أصبحت المسرعات المخصصة للمستهلكين جدية: يمكن لجهاز MacBook Pro المزود بذاكرة موحدة سعة 64 جيجابايت تشغيل نماذج كمية من فئة 70B بسرعات قابلة للاستخدام (مع حدود عملية على طول السياق). إن ما كان يتطلب في السابق خوادم متعددة وحدات معالجة الرسومات أصبح الآن ممكنًا على جهاز كمبيوتر محمول متطور للعديد من عمليات سير العمل الحقيقية. أصبح التكميم سائدًا: أصبح من السهل الآن ضغط النماذج إلى تنسيقات أصغر وأسرع تتلاءم مع ذاكرة الكمبيوتر المحمول غالبًا مع مقايضات جودة مقبولة للعديد من المهام. التوزيع سلس: نماذج الوزن المفتوح هي أمر واحد، والنظام البيئي للأدوات يجعل \"التنزيل → التشغيل → الدردشة\" أمرًا تافهًا. النتيجة: يستطيع المهندس سحب نموذج مساحته عدة غيغابايت، وإيقاف تشغيل Wi-Fi، وتشغيل مسارات العمل الحساسة محليًا، ومراجعة كود المصدر، وتلخيص المستندات، وصياغة اتصالات العملاء، وحتى التحليل الاستكشافي لمجموعات البيانات المنظمة. لا توجد حزم صادرة، ولا سجلات وكيل، ولا يوجد مسار تدقيق سحابي. ومن منظور أمن الشبكات، قد يبدو هذا النشاط غير قابل للتمييز عن عبارة \"لم يحدث شيء\". لم يعد الخطر يقتصر على مغادرة البيانات للشركة بعد الآن. إذا كانت البيانات لا تترك الكمبيوتر المحمول، فلماذا يجب على رئيس أمن المعلومات أن يهتم؟ لأن المخاطر السائدة تتحول من التسرب إلى النزاهة والمصدر والامتثال. ومن الناحية العملية، يخلق الاستدلال المحلي ثلاث فئات من النقاط العمياء التي لم تقم معظم الشركات بتفعيلها. 1. تلوث التعليمات البرمجية والقرارات (مخاطر النزاهة) غالبًا ما يتم اعتماد النماذج المحلية لأنها سريعة وخاصة و\"لا تحتاج إلى موافقة\". الجانب السلبي هو أنها في كثير من الأحيان لم يتم فحصها لبيئة المؤسسة. سيناريو شائع: يقوم أحد كبار المطورين بتنزيل نموذج ترميز تم ضبطه بواسطة المجتمع لأنه يقيس أداءً جيدًا. يقومون بلصق منطق المصادقة الداخلي أو تدفقات الدفع أو البرامج النصية للبنية التحتية \"لتنظيفها\". يقوم النموذج بإرجاع مخرجات تبدو كفؤة، وتجميع، واجتياز اختبارات الوحدة، ولكنها تؤدي إلى تدهور الوضع الأمني ​​بمهارة (التحقق الضعيف من صحة المدخلات، والافتراضيات غير الآمنة، وتغييرات التزامن الهشة، وخيارات التبعية غير المسموح بها داخليًا). المهندس يرتكب التغيير. إذا حدث هذا التفاعل دون الاتصال بالإنترنت، فقد لا يكون لديك أي سجل يشير إلى تأثير الذكاء الاصطناعي على مسار التعليمات البرمجية على الإطلاق. وعندما تقوم بالاستجابة للحوادث لاحقًا، ستحقق في العرض (الثغرة الأمنية) دون رؤية السبب الرئيسي (استخدام النموذج غير المنضبط). 2. الترخيص والتعرض للملكية الفكرية (مخاطر الامتثال) يتم شحن العديد من النماذج عالية الأداء مع تراخيص تتضمن قيودًا على الاستخدام التجاري، أو متطلبات الإسناد، أو حدود مجال الاستخدام، أو الالتزامات التي يمكن أن تكون غير متوافقة مع تطوير المنتجات الخاصة. عندما يقوم الموظفون بتشغيل النماذج محليًا، فإن هذا الاستخدام يمكن أن يتجاوز عملية الشراء والمراجعة القانونية العادية للمؤسسة. إذا استخدم الفريق نموذجًا غير تجاري لإنشاء رمز الإنتاج أو الوثائق أو سلوك المنتج، فيمكن للشركة أن ترث المخاطر التي تظهر لاحقًا أثناء العناية بالاندماج والاستحواذ أو مراجعات أمان العميل أو التقاضي. الجزء الصعب ليس فقط شروط الترخيص، بل هو الافتقار إلى المخزون وإمكانية التتبع. بدون مركز نموذج محكوم أو سجل استخدام، قد لا تتمكن من إثبات ما تم استخدامه ومكانه. 3. نموذج التعرض لسلسلة التوريد (مخاطر المصدر) يؤدي الاستدلال المحلي أيضًا إلى تغيير مشكلة سلسلة توريد البرامج. تبدأ نقاط النهاية في تجميع عناصر النماذج الكبيرة وسلاسل الأدوات المحيطة بها: أدوات التحميل الخاصة، والمحولات، وأوقات التشغيل، والمكونات الإضافية، وأصداف واجهة المستخدم، وحزم Python. هناك فارق بسيط تقني مهم هنا: تنسيق الملف مهم. بينما تم تصميم التنسيقات الأحدث مثل Safetensors لمنع تنفيذ تعليمات برمجية عشوائية، يمكن لملفات PyTorch الأقدم المستندة إلى Pickle تنفيذ حمولات ضارة بمجرد تحميلها. إذا كان المطورون لديك يستحوذون على نقاط تفتيش لم يتم فحصها من Hugging Face أو مستودعات أخرى، فإنهم لا يقومون بتنزيل البيانات فحسب - بل من الممكن أن يقوموا بتنزيل برنامج استغلال. لقد أمضت فرق الأمن عقودًا من الزمن في تعلم كيفية التعامل مع الملفات التنفيذية غير المعروفة على أنها معادية. يتطلب BYOM توسيع هذه العقلية لتشمل القطع الأثرية ومكدس وقت التشغيل المحيط بها. تتمثل أكبر فجوة تنظيمية اليوم في أن معظم الشركات ليس لديها ما يعادل قائمة المواد البرمجية للنماذج: المصدر، والتجزئة، والمصادر المسموح بها، والمسح الضوئي، وإدارة دورة الحياة. تخفيف BYOM: التعامل مع أوزان النماذج مثل المصنوعات البرمجية. لا يمكنك حل الاستدلال المحلي عن طريق حظر عناوين URL. أنت بحاجة إلى عناصر تحكم مدركة لنقطة النهاية وتجربة مطور تجعل المسار الآمن هو المسار السهل. فيما يلي ثلاث طرق عملية: 1. نقل الإدارة إلى نقطة النهاية لا تزال شبكة DLP وCASB مهمة للاستخدام السحابي، ولكنها ليست كافية لـ BYOM. ابدأ في التعامل مع استخدام النموذج المحلي كمشكلة في إدارة نقطة النهاية من خلال البحث عن إشارات محددة: المخزون والكشف: ابحث عن مؤشرات عالية الدقة مثل ملفات.gguf أكبر من 2 جيجابايت، وعمليات مثل llama.cpp أو Ollama، والمستمعين المحليين على المنفذ الافتراضي المشترك 11434. الوعي بالعملية ووقت التشغيل: مراقبة الاستخدام المتكرر العالي لوحدة معالجة الرسومات\/NPU (وحدة المعالجة العصبية) من أوقات التشغيل غير المعتمدة أو خوادم الاستدلال المحلية غير المعروفة. سياسة الجهاز: استخدم سياسات إدارة الأجهزة المحمولة (MDM) واكتشاف نقطة النهاية والاستجابة لها (EDR) للتحكم في تثبيت أوقات التشغيل غير المعتمدة وفرض تقوية خط الأساس على الأجهزة الهندسية. النقطة ليست معاقبة التجريب. إنها لاستعادة الرؤية. 2. توفير طريق ممهد: غالبًا ما يكون مركز النماذج الداخلي المنسق Shadow AI نتيجة للاحتكاك. الأدوات المعتمدة مقيدة جدًا، أو عامة جدًا، أو بطيئة جدًا بحيث لا يمكن الموافقة عليها. يتمثل النهج الأفضل في تقديم كتالوج داخلي منسق يتضمن: نماذج معتمدة للمهام الشائعة (الترميز والتلخيص والتصنيف) تراخيص تم التحقق منها وإرشادات الاستخدام الإصدارات المثبتة مع التجزئة (إعطاء الأولوية للتنسيقات الأكثر أمانًا مثل Safetensors) وثائق واضحة للاستخدام المحلي الآمن، بما في ذلك الأماكن التي تكون فيها البيانات الحساسة مسموحة وغير مسموح بها. إذا كنت تريد أن يتوقف المطورون عن البحث عن الأشياء، فامنحهم شيئًا أفضل. 3. تحديث لغة السياسة: \"الخدمات السحابية\" لم تعد كافية بعد الآن تتحدث معظم سياسات الاستخدام المقبولة عن SaaS والأدوات السحابية. يتطلب BYOM سياسة تغطي بشكل صريح ما يلي: تنزيل عناصر النموذج وتشغيلها على نقاط نهاية الشركة المصادر المقبولة متطلبات الامتثال للترخيص قواعد استخدام النماذج ذات البيانات الحساسة الاحتفاظ وتسجيل التوقعات لأدوات الاستدلال المحلية لا يلزم أن يكون هذا شديد الوطأة. يجب أن تكون لا لبس فيها. يعود المحيط إلى الجهاز على مدار عقد من الزمن، قمنا بنقل عناصر التحكم الأمنية \"إلى الأعلى\" إلى السحابة. يقوم الاستدلال المحلي بسحب شريحة ذات معنى من نشاط الذكاء الاصطناعي إلى نقطة النهاية. 5 إشارات تشير إلى انتقال الظل AI إلى نقاط النهاية: نماذج كبيرة الحجم: استهلاك تخزين غير مبرر بواسطة ملفات.gguf أو.pt. خوادم الاستدلال المحلية: عمليات الاستماع على منافذ مثل 11434 (Ollama). أنماط استخدام وحدة معالجة الرسومات: ارتفاع كبير في استخدام وحدة معالجة الرسومات أثناء عدم الاتصال بالإنترنت أو قطع الاتصال بشبكة VPN. عدم وجود مخزون النموذج: عدم القدرة على تعيين مخرجات التعليمات البرمجية لإصدارات نموذج محددة. غموض الترخيص: وجود أوزان نموذجية \"غير تجارية\" في بنيات الإنتاج. إن Shadow AI 2.0 ليس مستقبلًا افتراضيًا، بل هو نتيجة يمكن التنبؤ بها للأجهزة السريعة والتوزيع السهل وطلب المطورين. إن مديري تكنولوجيا المعلومات الذين يركزون فقط على عناصر التحكم في الشبكة سوف يفتقدون ما يحدث على السيليكون الموجود مباشرة على مكاتب الموظفين. إن المرحلة التالية من حوكمة الذكاء الاصطناعي لا تتعلق بحظر مواقع الويب بقدر ما تتعلق بالتحكم في المنتجات والمصدر والسياسة عند نقطة النهاية، دون التأثير على الإنتاجية. Jayachander Reddy Kandakatla هو أحد كبار MLOps مهندس.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/ai-agent-zero-trust-architecture-audit-credential-isolation-anthropic-nvidia-nemoclaw",
            "title_en": "AI agent credentials live in the same box as untrusted code. Two new architectures show where the blast radius actually stops.",
            "summary_en": "Four separate RSAC 2026 keynotes arrived at the same conclusion without coordinating. Microsoft's Vasu Jakkal told attendees that zero trust must extend to AI. Cisco's Jeetu Patel called for a shift from access control to action control, saying in an exclusive interview with VentureBeat that agents behave \"more like teenagers, supremely intelligent, but with no fear of consequence.\" CrowdStrike's George Kurtz identified AI governance as the biggest gap in enterprise technology. Splunk's John Morgan called for an agentic trust and governance model. Four companies. Four stages. One problem . Matt Caulfield, VP of Product for Identity and Duo at Cisco, put it bluntly in an exclusive VentureBeat interview at RSAC. \"While the concept of zero trust is good, we need to take it",
            "body_en": "Four separate RSAC 2026 keynotes arrived at the same conclusion without coordinating. Microsoft's Vasu Jakkal told attendees that zero trust must extend to AI. Cisco's Jeetu Patel called for a shift from access control to action control, saying in an exclusive interview with VentureBeat that agents behave \"more like teenagers, supremely intelligent, but with no fear of consequence.\" CrowdStrike's George Kurtz identified AI governance as the biggest gap in enterprise technology. Splunk's John Morgan called for an agentic trust and governance model. Four companies. Four stages. One problem . Matt Caulfield, VP of Product for Identity and Duo at Cisco, put it bluntly in an exclusive VentureBeat interview at RSAC. \"While the concept of zero trust is good, we need to take it a step further,\" Caulfield said. \"It's not just about authenticating once and then letting the agent run wild. It's about continuously verifying and scrutinizing every single action the agent's trying to take, because at any moment, that agent can go rogue.\" Seventy-nine percent of organizations already use AI agents, according to PwC's 2025 AI Agent Survey . Only 14.4% reported full security approval for their entire agent fleet, per the Gravitee State of AI Agent Security 2026 report of 919 organizations in February 2026. A CSA survey presented at RSAC found that only 26% have AI governance policies. CSA's Agentic Trust Framework describes the resulting gap between deployment velocity and security readiness as a governance emergency. Cybersecurity leaders and industry executives at RSAC agreed on the problem. Then two companies shipped architectures that answer the question differently. The gap between their designs reveals where the real risk sits. The monolithic agent problem that security teams are inheriting The default enterprise agent pattern is a monolithic container. The model reasons, calls tools, executes generated code, and holds credentials in one process. Every component trusts every other component. OAuth tokens, API keys, and git credentials sit in the same environment where the agent runs code it wrote seconds ago. A prompt injection gives the attacker everything. Tokens are exfiltrable. Sessions are spawnable. The blast radius is not the agent. It is the entire container and every connected service. The CSA and Aembit survey of 228 IT and security professionals quantifies how common this remains: 43% use shared service accounts for agents, 52% rely on workload identities rather than agent-specific credentials, and 68% cannot distinguish agent activity from human activity in their logs. No single function claimed ownership of AI agent access. Security said it was a developer's responsibility. Developers said it was a security responsibility. Nobody owned it. CrowdStrike CTO Elia Zaitsev, in an exclusive VentureBeat interview, said the pattern should look familiar. \"A lot of what securing agents look like would be very similar to what it looks like to secure highly privileged users. They have identities, they have access to underlying systems, they reason, they take action,\" Zaitsev said. \"There's rarely going to be one single solution that is the silver bullet. It's a defense in depth strategy.\" CrowdStrike CEO George Kurtz highlighted ClawHavoc (a supply chain campaign targeting the OpenClaw agentic framework) at RSAC during his keynote . Koi Security named the campaign on February 1, 2026. Antiy CERT confirmed 1,184 malicious skills tied to 12 publisher accounts, according to multiple independent analyses of the campaign. Snyk's ToxicSkills research found that 36.8% of the 3,984 ClawHub skills scanned contain security flaws at any severity level, with 13.4% rated critical. Average breakout time has dropped to 29 minutes. Fastest observed: 27 seconds. ( CrowdStrike 2026 Global Threat Report ) Anthropic separates the brain from the hands Anthropic's Managed Agents , launched April 8 in public beta, split every agent into three components that do not trust each other: a brain (Claude and the harness routing its decisions), hands (disposable Linux containers where code executes), and a session (an append-only event log outside both). Separating instructions from execution is one of the oldest patterns in software. Microservices, serverless functions, and message queues. Credentials never enter the sandbox. Anthropic stores OAuth tokens in an external vault. When the agent needs to call an MCP tool, it sends a session-bound token to a dedicated proxy. The proxy fetches real credentials from the vault, makes the external call, and returns the result. The agent never sees the actual token. Git tokens get wired into the local remote at sandbox initialization. Push and pull work without the agent touching the credential. For security directors, this means a compromised sandbox yields nothing an attacker can reuse. The security gain arrived as a side effect of a performance fix. Anthropic decoupled the brain from the hands so inference could start before the container booted. Median time to first token dropped roughly 60% . The zero-trust design is also the fastest design. That kills the enterprise objection that security adds latency. Session durability is the third structural gain. A container crash in the monolithic pattern means total state loss. In Managed Agents, the session log persists outside both brain and hands. If the harness crashes, a new one boots, reads the event log, and resumes. No state lost turns into a productivity gain over time. Managed Agents include built-in session tracing through the Claude Console . Pricing: $0.08 per session-hour of active runtime, idle time excluded, plus standard API token costs. Security directors can now model agent compromise cost per session-hour against the cost of the architectural controls. Nvidia locks the sandbox down and monitors everything inside it Nvidia's NemoClaw , released March 16 in early preview, takes the opposite approach. It does not separate the agent from its execution environment. It wraps the entire agent inside four stacked security layers and watches every move. Anthropic and Nvidia are the only two vendors to have shipped zero-trust agent architectures publicly as of this writing; others are in development. NemoClaw stacks five enforcement layers between the agent and the host. Sandboxed execution uses Landlock, seccomp, and network namespace isolation at the kernel level. Default-deny outbound networking forces every external connection through explicit operator approval via YAML-based policy . Access runs with minimal privileges. A privacy router directs sensitive queries to locally-running Nemotron models, cutting token cost and data leakage to zero. The layer that matters most to security teams is intent verification: OpenShell's policy engine intercepts every agent action before it touches the host. The trade-off for organizations evaluating NemoClaw is straightforward. Stronger runtime visibility costs more operator staffing. The agent does not know it is inside NemoClaw. In-policy actions return normally. Out-of-policy actions get a configurable denial. Observability is the strongest layer. A real-time Terminal User Interface logs every action, every network request, every blocked connection. The audit trail is complete. The problem is cost: operator load scales linearly with agent activity. Every new endpoint requires manual approval. Observation quality is high. Autonomy is low. That ratio gets expensive fast in production environments running dozens of agents. Durability is the gap nobody's talking about. Agent state persists as files inside the sandbox. If the sandbox fails, the state goes with it. No external session recovery mechanism exists. Long-running agent tasks carry a durability risk that security teams need to price into deployment planning before they hit production. The credential proximity gap Both architectures are a real step up from the monolithic default. Where they diverge is the question that matters most to security teams: how close do credentials sit to the execution environment? Anthropic removes credentials from the blast radius entirely. If an attacker compromises the sandbox through prompt injection, they get a disposable container with no tokens and no persistent state. Exfiltrating credentials requires a two-hop attack: influence the brain's reasoning, then convince it to act through a container that holds nothing worth stealing. Single-hop exfiltration is structurally eliminated. NemoClaw constrains the blast radius and monitors every action inside it. Four security layers limit lateral movement. Default-deny networking blocks unauthorized connections. But the agent and generated code share the same sandbox. Nvidia's privacy router keeps inference credentials on the host, outside the sandbox. But messaging and integration tokens (Telegram, Slack, Discord) are injected into the sandbox as runtime environment variables. Inference API keys are proxied through the privacy router and not passed into the sandbox directly. The exposure varies by credential type. Credentials are policy-gated, not structurally removed. That distinction matters most for indirect prompt injection, where an adversary embeds instructions in content the agent queries as part of legitimate work. A poisoned web page. A manipulated API response. The intent verification layer evaluates what the agent proposes to do, not the content of data returned by external tools. Injected instructions enter the reasoning chain as trusted context. With proximity to execution. In the Anthropic architecture, indirect injection can influence reasoning but cannot reach the credential vault. In the NemoClaw architecture, injected context sits next to both reasoning and execution inside the shared sandbox. That is the widest gap between the two designs. NCC Group's David Brauchler, Technical Director and Head of AI\/ML Security, advocates for gated agent architectures built on trust segmentation principles where AI systems inherit the trust level of the data they process. Untrusted input, restricted capabilities. Both Anthropic and Nvidia move in this direction. Neither fully arrives. The zero-trust architecture audit for AI agents The audit grid covers three vendor patterns across six security dimensions, five actions per row. It distills to five priorities: Audit every deployed agent for the monolithic pattern. Flag any agent holding OAuth tokens in its execution environment. The CSA data shows 43% use shared service accounts. Those are the first targets. Require credential isolation in agent deployment RFPs. Specify whether the vendor removes credentials structurally or gates them through policy. Both reduce risk. They reduce it by different amounts with different failure modes. Test session recovery before production. Kill a sandbox mid-task. Verify state survives. If it does not, long-horizon work carries a data-loss risk that compounds with task duration. Staff for the observability model. Anthropic's console tracing integrates with existing observability workflows. NemoClaw's TUI requires an operator-in-the-loop. The staffing math is different. Track indirect prompt injection roadmaps. Neither architecture fully resolves this vector. Anthropic limits the blast radius of a successful injection. NemoClaw catches malicious proposed actions but not malicious returned data. Require vendor roadmap commitments on this specific gap. Zero trust for AI agents stopped being a research topic the moment two architectures shipped. The monolithic default is a liability. The 65-point gap between deployment velocity and security approval is where the next class of breaches will start.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/35u1BcqPcGPsUcDOjxBtIh\/fb7d22c10100687068f227c644d2e297\/zero_trust_hero.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/ai-agent-zero-trust-architecture-audit-credential-isolation-anthropic-nvidia-nemoclaw",
            "date": "2026-04-10",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "توجد بيانات اعتماد وكيل الذكاء الاصطناعي في نفس المربع الذي يوجد به رمز غير موثوق به. يظهر تصميمان جديدان المكان الذي يتوقف فيه نصف قطر الانفجار فعليًا.",
            "summary_ar": "وصلت أربع أفكار رئيسية منفصلة لـ RSAC 2026 إلى نفس النتيجة دون تنسيق. أخبر فاسو جاكال من Microsoft الحضور أن الثقة المعدومة يجب أن تمتد إلى الذكاء الاصطناعي. دعا جيتو باتيل من شركة Cisco إلى التحول من التحكم في الوصول إلى التحكم في الإجراءات، قائلا في مقابلة حصرية مع VentureBeat أن الوكلاء يتصرفون \"أشبه بالمراهقين، أذكياء للغاية، ولكن دون خوف من العواقب\". حدد جورج كورتز من CrowdStrike حوكمة الذكاء الاصطناعي باعتبارها أكبر فجوة في تكنولوجيا المؤسسات. دعا جون مورغان من شركة Splunk إلى نموذج للثقة والحوكمة. أربع شركات. أربع مراحل. مشكلة واحدة. صرح مات كولفيلد، نائب رئيس قسم منتجات الهوية والثنائي في Cisco، بصراحة في مقابلة حصرية مع VentureBeat في RSAC. \"على الرغم من أن مفهوم انعدام الثقة أمر جيد، إلا أننا بحاجة إلى تبنيه هو - هي",
            "body_ar": "وصلت أربع أفكار رئيسية منفصلة لـ RSAC 2026 إلى نفس النتيجة دون تنسيق. أخبر فاسو جاكال من Microsoft الحضور أن الثقة المعدومة يجب أن تمتد إلى الذكاء الاصطناعي. دعا جيتو باتيل من شركة Cisco إلى التحول من التحكم في الوصول إلى التحكم في الإجراءات، قائلا في مقابلة حصرية مع VentureBeat أن الوكلاء يتصرفون \"أشبه بالمراهقين، أذكياء للغاية، ولكن دون خوف من العواقب\". حدد جورج كورتز من CrowdStrike حوكمة الذكاء الاصطناعي باعتبارها أكبر فجوة في تكنولوجيا المؤسسات. دعا جون مورغان من شركة Splunk إلى نموذج للثقة والحوكمة. أربع شركات. أربع مراحل. مشكلة واحدة. صرح مات كولفيلد، نائب رئيس قسم منتجات الهوية والثنائي في Cisco، بصراحة في مقابلة حصرية مع VentureBeat في RSAC. وقال كولفيلد: \"على الرغم من أن مفهوم انعدام الثقة أمر جيد، إلا أننا بحاجة إلى المضي به خطوة أخرى إلى الأمام\". \"لا يتعلق الأمر فقط بالمصادقة مرة واحدة ثم السماح للوكيل بالانطلاق. يتعلق الأمر بالتحقق المستمر والتدقيق في كل إجراء يحاول الوكيل اتخاذه، لأنه في أي لحظة، يمكن أن يصبح هذا الوكيل مارقًا.\" تستخدم تسعة وسبعون بالمائة من المؤسسات بالفعل وكلاء الذكاء الاصطناعي، وفقًا لاستطلاع عملاء الذكاء الاصطناعي لعام 2025 الذي أجرته شركة برايس ووترهاوس كوبرز. أبلغ 14.4٪ فقط عن موافقة أمنية كاملة لأسطول وكلائهم بالكامل، وفقًا لتقرير Gravitee State of AI Agent Security 2026 لـ 919 مؤسسة في فبراير 2026. وجد استطلاع أجرته وكالة الفضاء الكندية (CSA) والذي تم تقديمه في RSAC أن 26٪ فقط لديهم سياسات حوكمة الذكاء الاصطناعي. يصف إطار عمل ثقة الوكلاء التابع لـ CSA الفجوة الناتجة بين سرعة النشر والاستعداد الأمني ​​باعتبارها حالة طوارئ إدارية. اتفق قادة الأمن السيبراني والمديرون التنفيذيون في الصناعة في RSAC على المشكلة. ثم قامت شركتان بشحن معماريات تجيب على السؤال بشكل مختلف. وتكشف الفجوة بين تصميماتهم عن مكان وجود الخطر الحقيقي. مشكلة الوكيل المتجانسة التي ترثها فرق الأمان نمط وكيل المؤسسة الافتراضي هو حاوية متجانسة. أسباب النموذج، واستدعاء الأدوات، وتنفيذ التعليمات البرمجية التي تم إنشاؤها، والاحتفاظ ببيانات الاعتماد في عملية واحدة. كل مكون يثق بكل مكون آخر. توجد رموز OAuth المميزة ومفاتيح API وبيانات اعتماد git في نفس البيئة التي يقوم فيها الوكيل بتشغيل التعليمات البرمجية التي كتبها قبل ثوانٍ. الحقنة السريعة تمنح المهاجم كل شيء. الرموز قابلة للإخراج. الجلسات قابلة للنشر. نصف قطر الانفجار ليس العامل. إنها الحاوية بأكملها وكل خدمة متصلة. يحدد استطلاع CSA وAembit الذي شمل 228 متخصصًا في مجال تكنولوجيا المعلومات والأمن مدى شيوع هذا الأمر: 43% يستخدمون حسابات الخدمة المشتركة للوكلاء، و52% يعتمدون على هويات عبء العمل بدلاً من بيانات الاعتماد الخاصة بالوكلاء، و68% لا يمكنهم التمييز بين نشاط الوكيل والنشاط البشري في سجلاتهم. لم تطالب أي وظيفة واحدة بملكية الوصول إلى وكيل الذكاء الاصطناعي. قال الأمن إنها مسؤولية المطور. قال المطورون إنها مسؤولية أمنية. لا أحد يملكها. قال إيليا زايتسيف، مدير التكنولوجيا في CrowdStrike، في مقابلة حصرية مع VentureBeat، إن النمط يجب أن يبدو مألوفًا. وقال زايتسيف: \"الكثير من ما يبدو عليه وكلاء التأمين سيكون مشابهًا جدًا لما يبدو عليه تأمين المستخدمين ذوي الامتيازات العالية. لديهم هويات، ولديهم إمكانية الوصول إلى الأنظمة الأساسية، ويفكرون، ويتخذون الإجراءات\". \"نادرًا ما يكون هناك حل واحد هو الحل السحري. إنها استراتيجية دفاع متعمق.\" سلط الرئيس التنفيذي لشركة CrowdStrike، جورج كورتز، الضوء على ClawHavoc (حملة سلسلة التوريد التي تستهدف إطار عمل وكيل OpenClaw) في RSAC خلال كلمته الرئيسية. أطلقت شركة Koi Security اسم الحملة على الحملة في 1 فبراير 2026. وأكدت Antiy CERT وجود 1,184 مهارة ضارة مرتبطة بـ 12 حساب ناشر، وفقًا لتحليلات مستقلة متعددة للحملة. توصل بحث Snyk's ToxicSkills إلى أن 36.8% من مهارات ClawHub التي تم فحصها والبالغ عددها 3984 تحتوي على عيوب أمنية على أي مستوى خطورة، مع تصنيف 13.4% بأنها حرجة. انخفض متوسط ​​وقت الاختراق إلى 29 دقيقة. أسرع ملاحظة: 27 ثانية. (تقرير التهديد العالمي لعام 2026 من CrowdStrike) يفصل Anthropic الدماغ عن الأيدي. تم إطلاق Anthropic's Managed Agents في 8 أبريل في نسخة تجريبية عامة، حيث قسمت كل عميل إلى ثلاثة مكونات لا تثق ببعضها البعض: الدماغ (كلود والأداة التي توجه قراراتها)، والأيدي (حاويات Linux يمكن التخلص منها حيث يتم تنفيذ التعليمات البرمجية)، وجلسة (سجل أحداث للإلحاق فقط خارج كليهما). يعد فصل التعليمات عن التنفيذ أحد أقدم الأنماط في البرامج. الخدمات الصغيرة والوظائف بدون خادم وقوائم انتظار الرسائل. لا تدخل بيانات الاعتماد إلى وضع الحماية مطلقًا. يقوم Anthropic بتخزين رموز OAuth المميزة في قبو خارجي. عندما يحتاج الوكيل إلى استدعاء أداة MCP، فإنه يرسل رمزًا مميزًا مرتبطًا بالجلسة إلى وكيل مخصص. يقوم الوكيل بجلب بيانات الاعتماد الحقيقية من المخزن، وإجراء مكالمة خارجية، وإرجاع النتيجة. لا يرى الوكيل الرمز الفعلي أبدًا. يتم توصيل رموز Git إلى جهاز التحكم عن بعد المحلي عند تهيئة وضع الحماية. عمل الدفع والسحب دون أن يلمس الوكيل بيانات الاعتماد. بالنسبة لمديري الأمن، هذا يعني أن وضع الحماية المخترق لا ينتج عنه أي شيء يمكن للمهاجم إعادة استخدامه. وصلت المكاسب الأمنية كأثر جانبي لإصلاح الأداء. قام الإنسان بفصل الدماغ عن اليدين حتى يمكن أن يبدأ الاستدلال قبل تشغيل الحاوية. انخفض متوسط ​​الوقت اللازم للوصول إلى الرمز المميز الأول بنسبة 60% تقريبًا. يعد تصميم الثقة المعدومة أيضًا أسرع تصميم. يؤدي ذلك إلى القضاء على اعتراض المؤسسة بأن الأمان يضيف زمن الوصول. متانة الجلسة هي المكسب الهيكلي الثالث. إن تعطل الحاوية في النمط المتجانس يعني فقدان الحالة بالكامل. في الوكلاء المُدارين، يستمر سجل الجلسة خارج العقل واليدين. في حالة تعطل الحزام، يتم تشغيل جهاز جديد، ويقرأ سجل الأحداث، ويستأنف العمل. ولا تتحول أي حالة مفقودة إلى زيادة في الإنتاجية بمرور الوقت. يتضمن الوكلاء المُدارون تتبعًا مدمجًا للجلسة من خلال وحدة تحكم Claude. التسعير: 0.08 دولارًا أمريكيًا لكل ساعة جلسة من وقت التشغيل النشط، باستثناء وقت الخمول، بالإضافة إلى تكاليف الرمز المميز لواجهة برمجة التطبيقات (API) القياسية يمكن لمديري الأمن الآن تصميم تكلفة التسوية للوكيل لكل ساعة جلسة مقابل تكلفة عناصر التحكم المعمارية. تقوم Nvidia بإغلاق صندوق الحماية ومراقبة كل شيء بداخله، أما NemoClaw من Nvidia، والذي تم إصداره في 16 مارس في المعاينة المبكرة، فإنه يتخذ النهج المعاكس. ولا يفصل الوكيل عن بيئة التنفيذ الخاصة به. فهو يغلف العميل بأكمله داخل أربع طبقات أمان مكدسة ويراقب كل خطوة. Anthropic وNvidia هما البائعان الوحيدان اللذان قاما بشحن بنيات وكيل الثقة المعدومة علنًا حتى كتابة هذه السطور؛ البعض الآخر في التنمية. يقوم NemoClaw بتكديس خمس طبقات تنفيذ بين الوكيل والمضيف. يستخدم تنفيذ Sandboxed عزل مساحة اسم Landlock وseccomp والشبكة على مستوى kernel. تفرض شبكة الرفض الافتراضي الصادرة كل اتصال خارجي من خلال موافقة صريحة من المشغل عبر السياسة المستندة إلى YAML. يعمل الوصول مع الحد الأدنى من الامتيازات. يقوم جهاز توجيه الخصوصية بتوجيه الاستعلامات الحساسة إلى نماذج Nemotron التي يتم تشغيلها محليًا، مما يقلل من تكلفة الرمز المميز وتسرب البيانات إلى الصفر. الطبقة الأكثر أهمية لفرق الأمان هي التحقق من النية: يعترض محرك سياسة OpenShell كل إجراء يقوم به العميل قبل أن يمس المضيف. تعتبر المقايضة بالنسبة للمؤسسات التي تقوم بتقييم NemoClaw واضحة ومباشرة. إن الرؤية الأقوى لوقت التشغيل تكلف المزيد من موظفي المشغل. الوكيل لا يعرف أنه موجود داخل NemoClaw. تعود الإجراءات داخل السياسة بشكل طبيعي. تحصل الإجراءات خارج السياسة على رفض قابل للتكوين. القدرة على الملاحظة هي أقوى طبقة. تقوم واجهة المستخدم الطرفية في الوقت الحقيقي بتسجيل كل إجراء، وكل طلب شبكة، وكل اتصال محظور. اكتمل مسار التدقيق. تكمن المشكلة في التكلفة: يقيس تحميل المشغل خطيًا مع نشاط الوكيل. تتطلب كل نقطة نهاية جديدة موافقة يدوية. جودة الملاحظة عالية. الحكم الذاتي منخفض. تصبح هذه النسبة باهظة الثمن بسرعة في بيئات الإنتاج التي تدير العشرات من الوكلاء. المتانة هي الفجوة التي لا يتحدث عنها أحد. تستمر حالة الوكيل كملفات داخل وضع الحماية. إذا فشل صندوق الرمل، فإن الدولة تذهب معه. لا توجد آلية لاستعادة الجلسة الخارجية. تحمل مهام الوكيل طويلة الأمد مخاطر المتانة التي تحتاج فرق الأمان إلى تسعيرها في تخطيط النشر قبل أن تصل إلى الإنتاج. فجوة القرب في بيانات الاعتماد تعد كلتا البنيتين خطوة حقيقية للأعلى من الوضع الافتراضي المتجانس. وأين يختلفان هو السؤال الأكثر أهمية بالنسبة لفرق الأمان: ما مدى قرب بيانات الاعتماد من بيئة التنفيذ؟ يقوم الأنثروبي بإزالة أوراق الاعتماد من نصف قطر الانفجار بالكامل. إذا قام أحد المهاجمين باختراق صندوق الحماية من خلال الحقن الفوري، فسيحصل على حاوية يمكن التخلص منها بدون رموز مميزة ولا حالة مستمرة. يتطلب ترشيح بيانات الاعتماد هجومًا ثنائيًا: التأثير على تفكير الدماغ، ثم إقناعه بالعمل من خلال حاوية لا تحتوي على شيء يستحق السرقة. يتم التخلص من الترشيح أحادي القفزة هيكليًا. يقوم NemoClaw بتقييد نصف قطر الانفجار ويراقب كل حركة بداخله. أربع طبقات أمنية تحد من الحركة الجانبية. شبكة الرفض الافتراضي تحظر الاتصالات غير المصرح بها. لكن الوكيل والكود الذي تم إنشاؤه يشتركان في نفس وضع الحماية. يحتفظ جهاز توجيه الخصوصية الخاص بـ Nvidia ببيانات اعتماد الاستدلال على المضيف، خارج وضع الحماية. ولكن يتم إدخال الرموز المميزة للمراسلة والتكامل (Telegram وSlack وDiscord) في وضع الحماية كمتغيرات بيئة وقت التشغيل. يتم إنشاء مفاتيح API للاستدلال عبر جهاز توجيه الخصوصية ولا يتم تمريرها إلى وضع الحماية مباشرةً. يختلف التعرض حسب نوع بيانات الاعتماد. إن أوراق الاعتماد مرتبطة بالسياسة، ولا تتم إزالتها هيكلياً. وهذا التمييز مهم للغاية بالنسبة للحقن السريع غير المباشر، حيث يقوم الخصم بتضمين تعليمات في المحتوى الذي يستعلم عنه الوكيل كجزء من العمل المشروع. صفحة ويب مسمومة. استجابة API تم التلاعب بها. تقوم طبقة التحقق من النية بتقييم ما يقترح الوكيل القيام به، وليس محتوى البيانات التي يتم إرجاعها بواسطة أدوات خارجية. تدخل التعليمات المحقونة في سلسلة الاستدلال كسياق موثوق به. مع القرب من التنفيذ. في العمارة الإنسانية، يمكن أن يؤثر الحقن غير المباشر على التفكير، لكنه لا يستطيع الوصول إلى قبو الاعتماد. في بنية NemoClaw، يقع السياق المحقون بجوار كل من المنطق والتنفيذ داخل صندوق الحماية المشترك. وهذه هي الفجوة الأوسع بين التصميمين. يدافع ديفيد براوشلر، من مجموعة NCC، المدير الفني ورئيس أمان الذكاء الاصطناعي\/ تعلم الآلة، عن بنيات الوكيل المبني على مبادئ تجزئة الثقة حيث ترث أنظمة الذكاء الاصطناعي مستوى الثقة في البيانات التي تعالجها. مدخلات غير موثوقة، وقدرات مقيدة. يتحرك كل من Anthropic و Nvidia في هذا الاتجاه. لا يصل بشكل كامل. تدقيق بنية الثقة المعدومة لوكلاء الذكاء الاصطناعي تغطي شبكة التدقيق ثلاثة أنماط للبائعين عبر ستة أبعاد أمنية، وخمسة إجراءات في كل صف. وينقسم إلى خمس أولويات: تدقيق كل وكيل منتشر للنمط المتجانس. قم بوضع علامة على أي وكيل يحمل رموز OAuth المميزة في بيئة التنفيذ الخاصة به. تُظهر بيانات CSA أن 43% يستخدمون حسابات الخدمة المشتركة. تلك هي الأهداف الأولى. تتطلب عزل بيانات الاعتماد في طلبات تقديم العروض لنشر الوكيل. حدد ما إذا كان البائع يقوم بإزالة بيانات الاعتماد هيكليًا أو يقوم بإدخالها من خلال السياسة. كلاهما يقلل من المخاطر. إنهم يقللونها بكميات مختلفة مع أوضاع فشل مختلفة. اختبار استعادة الجلسة قبل الإنتاج. اقتل رملًا في منتصف المهمة. التحقق من بقاء الحالة. إذا لم يحدث ذلك، فإن العمل طويل المدى يحمل مخاطر فقدان البيانات التي تتفاقم مع مدة المهمة. الموظفين لنموذج الملاحظة. يتكامل تتبع وحدة التحكم في Anthropic مع مسارات عمل إمكانية المراقبة الحالية. يتطلب TUI الخاص بـ NemoClaw عامل تشغيل داخل الحلقة. الرياضيات التوظيف مختلفة. تتبع خرائط طريق الحقن الفوري غير المباشر. لم تحل أي من المعمارتين هذا المتجه بشكل كامل. الأنثروبي يحد من نصف قطر الانفجار للحقن الناجح. يلتقط NemoClaw الإجراءات الضارة المقترحة ولكن ليس البيانات الضارة التي يتم إرجاعها. تتطلب التزامات خريطة طريق البائع بشأن هذه الفجوة المحددة. توقفت الثقة المعدومة في عملاء الذكاء الاصطناعي عن كونها موضوع بحث في اللحظة التي تم فيها شحن بنيتين. التقصير المتجانس هو المسؤولية. إن الفجوة البالغة 65 نقطة بين سرعة النشر والموافقة الأمنية هي المكان الذي ستحدث فيه الفئة التالية من الانتهاكات يبدأ.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/data\/intuit-compressed-months-of-tax-code-implementation-into-hours-and-built-a",
            "title_en": "Intuit compressed months of tax code implementation into hours — and built a workflow any regulated-industry team can adapt",
            "summary_en": "When the One Big Beautiful Bill arrived as a 900-page unstructured document — with no standardized schema, no published IRS forms, and a hard shipping deadline — Intuit's TurboTax team had a question: could AI compress a months-long implementation into days without sacrificing accuracy? What they built to do it is less a tax story than a template, a workflow combining commercial AI tools, a proprietary domain-specific language and a custom unit test framework that any domain-constrained development team can learn from. Joy Shaw, director of tax at Intuit, has spent more than 30 years at the company and lived through both the Tax Cuts and Jobs Act and the OBBB. \"There was a lot of noise in the law itself and we were able to pull out the tax implications, narrow it down to the individua",
            "body_en": "When the One Big Beautiful Bill arrived as a 900-page unstructured document — with no standardized schema, no published IRS forms, and a hard shipping deadline — Intuit's TurboTax team had a question: could AI compress a months-long implementation into days without sacrificing accuracy? What they built to do it is less a tax story than a template, a workflow combining commercial AI tools, a proprietary domain-specific language and a custom unit test framework that any domain-constrained development team can learn from. Joy Shaw, director of tax at Intuit, has spent more than 30 years at the company and lived through both the Tax Cuts and Jobs Act and the OBBB. \"There was a lot of noise in the law itself and we were able to pull out the tax implications, narrow it down to the individual tax provisions, narrow it down to our customers,\" Shaw told VentureBeat. \"That kind of distillation was really fast using the tools, and then enabled us to start coding even before we got forms and instructions in.\" How the OBBB raised the bar When the Tax Cuts and Jobs Act passed in 2017, the TurboTax team worked through the legislation without AI assistance. It took months, and the accuracy requirements left no room for shortcuts. \"We used to have to go through the law and we'd code sections that reference other law code sections and try and figure it out on our own,\" Shaw said. The OBBB arrived with the same accuracy requirements but a different profile. At 900-plus pages, it was structurally more complex than the TCJA. It came as an unstructured document with no standardized schema. The House and Senate versions used different language to describe the same provisions. And the team had to begin implementation before the IRS had published official forms or instructions. The question was whether AI tools could compress the timeline without compromising the output. The answer required a specific sequence and tooling that did not exist yet. From unstructured document to domain-specific code The OBBB was still moving through Congress when the TurboTax team began working on it. Using large language models, the team summarized the House version, then the Senate version and then reconciled the differences. Both chambers referenced the same underlying tax code sections, a consistent anchor point that let the models draw comparisons across structurally inconsistent documents. By signing day, the team had already filtered provisions to those affecting TurboTax customers, narrowed to specific tax situations and customer profiles. Parsing, reconciliation and provision filtering moved from weeks to hours. Those tasks were handled by ChatGPT and general-purpose LLMs. But those tools hit a hard limit when the work shifted from analysis to implementation. TurboTax does not run on a standard programming language. Its tax calculation engine is built on a proprietary domain-specific language maintained internally at Intuit. Any model generating code for that codebase has to translate legal text into syntax it was never trained on, and identify how new provisions interact with decades of existing code without breaking what already works. Claude became the primary tool for that translation and dependency-mapping work. Shaw said it could identify what changed and what did not, letting developers focus only on the new provisions. \"It's able to integrate with the things that don't change and identify the dependencies on what did change,\" she said. \"That sped up the process of development and enabled us to focus only on those things that did change.\" Building tooling matched to a near-zero error threshold General-purpose LLMs got the team to working code. Getting that code to shippable required two proprietary tools built during the OBBB cycle. The first auto-generated TurboTax product screens directly from the law changes. Previously, developers curated those screens individually for each provision. The new tool handled the majority automatically, with manual customization only where needed. The second was a purpose-built unit test framework. Intuit had always run automated tests, but the previous system produced only pass\/fail results. When a test failed, developers had to manually open the underlying tax return data file to trace the cause. \"The automation would tell you pass, fail, you would have to dig into the actual tax data file to see what might have been wrong,\" Shaw said. The new framework identifies the specific code segment responsible, generates an explanation and allows the correction to be made inside the framework itself. Shaw said accuracy for a consumer tax product has to be close to 100 percent. Sarah Aerni, Intuit's VP of technology for the Consumer Group, said the architecture has to produce deterministic results. \"Having the types of capabilities around determinism and verifiably correct through tests — that's what leads to that sort of confidence,\" Aerni said. The tooling handles the speed. But Intuit also uses LLM-based evaluation tools to validate AI-generated output, and even those require a human tax expert to assess whether the result is correct. \"It comes down to having human expertise to be able to validate and verify just about anything,\" Aerni said. Four components any regulated-industry team can use The OBBB was a tax problem, but the underlying conditions are not unique to tax. Healthcare, financial services, legal tech and government contracting teams regularly face the same combination: complex regulatory documents, hard deadlines, proprietary codebases, and near-zero error tolerance. Based on Intuit's implementation, four elements of the workflow are transferable to other domain-constrained development environments: Use commercial LLMs for document analysis. General-purpose models handle parsing, reconciliation and provision filtering well. That is where they add speed without creating accuracy risk. Shift to domain-aware tooling when analysis becomes implementation. General-purpose models generating code into a proprietary environment without understanding it will produce output that cannot be trusted at scale. Build evaluation infrastructure before the deadline, not during the sprint. Generic automated testing produces pass\/fail outputs. Domain-specific test tooling that identifies failures and enables in-context fixes is what makes AI-generated code shippable. Deploy AI tools across the whole organization, not just engineering. Shaw said Intuit trained and monitored usage across all functions. AI fluency was distributed across the organization rather than concentrated in early adopters. \"We continue to lean into the AI and human intelligence opportunity here, so that our customers get what they need out of the experiences that we build,\" Aerni said.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6B3W5NVKiHfs0041gAHmty\/091b174e5bac4070f7551204014de6d0\/turbotax-ai-smk.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/data\/intuit-compressed-months-of-tax-code-implementation-into-hours-and-built-a",
            "date": "2026-04-10",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "قامت شركة Intuit بضغط أشهر تنفيذ قانون الضرائب في ساعات - وقامت ببناء سير عمل يمكن لأي فريق في الصناعة الخاضعة للتنظيم التكيف معه",
            "summary_ar": "عندما وصلت فاتورة One Big Beautiful كمستند غير منظم مكون من 900 صفحة - مع عدم وجود مخطط موحد، ولا نماذج IRS منشورة، وموعد نهائي صعب للشحن - كان لدى فريق TurboTax في Intuit سؤال: هل يمكن للذكاء الاصطناعي ضغط التنفيذ الذي يستغرق أشهرًا في أيام دون التضحية بالدقة؟ إن ما قاموا بإنشائه للقيام بذلك ليس قصة ضريبية بقدر ما هو قالب، وسير عمل يجمع بين أدوات الذكاء الاصطناعي التجارية، ولغة خاصة بمجال خاص وإطار عمل اختبار وحدة مخصص يمكن لأي مجال مقيد يمكن لفريق التطوير التعلم منه. قضت جوي شو، مديرة الضرائب في شركة Intuit، أكثر من 30 عامًا في الشركة وعاشت قانون التخفيضات الضريبية والوظائف وقانون OBBB. \"كان هناك الكثير من الضجيج في القانون نفسه وتمكنا من سحب الآثار الضريبية وتضييق نطاقها إلى فرد",
            "body_ar": "عندما وصلت فاتورة One Big Beautiful كمستند غير منظم مكون من 900 صفحة - مع عدم وجود مخطط موحد، ولا نماذج IRS منشورة، وموعد نهائي صعب للشحن - كان لدى فريق TurboTax في Intuit سؤال: هل يمكن للذكاء الاصطناعي ضغط التنفيذ الذي يستغرق أشهرًا في أيام دون التضحية بالدقة؟ إن ما قاموا بإنشائه للقيام بذلك ليس قصة ضريبية بقدر ما هو قالب، وسير عمل يجمع بين أدوات الذكاء الاصطناعي التجارية، ولغة خاصة بمجال خاص وإطار عمل اختبار وحدة مخصص يمكن لأي مجال مقيد يمكن لفريق التطوير التعلم منه. قضت جوي شو، مديرة الضرائب في شركة Intuit، أكثر من 30 عامًا في الشركة وعاشت قانون التخفيضات الضريبية والوظائف وقانون OBBB. وقال شو لـ VentureBeat: \"كان هناك الكثير من الضجيج في القانون نفسه، وتمكنا من سحب الآثار الضريبية، وتضييق نطاقها ليقتصر على الأحكام الضريبية الفردية، وتضييق نطاقها ليشمل عملائنا\". \"كان هذا النوع من التقطير سريعًا جدًا باستخدام الأدوات، ثم مكننا من بدء البرمجة حتى قبل أن نحصل على النماذج والتعليمات.\" كيف رفع OBBB المستوى عندما تم إقرار قانون تخفيض الضرائب والوظائف في عام 2017، عمل فريق TurboTax على التشريع دون مساعدة الذكاء الاصطناعي. استغرق الأمر أشهرًا، ولم تترك متطلبات الدقة مجالًا للاختصارات. وقال شو: \"لقد اعتدنا أن نراجع القانون ونقوم بترميز الأقسام التي تشير إلى أقسام أخرى من قانون القانون ونحاول اكتشاف ذلك بأنفسنا\". وصل OBBB بنفس متطلبات الدقة ولكن بملف تعريف مختلف. في أكثر من 900 صفحة، كان أكثر تعقيدًا من الناحية الهيكلية من TCJA. لقد جاء كوثيقة غير منظمة بدون مخطط موحد. استخدمت نسختا مجلسي النواب والشيوخ لغة مختلفة لوصف نفس الأحكام. وكان على الفريق أن يبدأ التنفيذ قبل أن تنشر مصلحة الضرائب نماذج أو تعليمات رسمية. كان السؤال هو ما إذا كانت أدوات الذكاء الاصطناعي يمكنها ضغط الجدول الزمني دون المساس بالمخرجات. تتطلب الإجابة تسلسلًا وأدوات محددة لم تكن موجودة بعد. من مستند غير منظم إلى كود خاص بالمجال، كان OBBB لا يزال يتحرك عبر الكونجرس عندما بدأ فريق TurboTax العمل عليه. وباستخدام نماذج لغوية كبيرة، قام الفريق بتلخيص نسخة مجلس النواب، ثم نسخة مجلس الشيوخ، ثم التوفيق بين الاختلافات. وأشار كلا المجلسين إلى نفس أقسام قانون الضرائب الأساسية، وهي نقطة ربط متسقة تسمح للنماذج بإجراء مقارنات عبر وثائق غير متسقة هيكليا. من خلال يوم التوقيع، كان الفريق قد قام بالفعل بتصفية الأحكام لتلك التي تؤثر على عملاء TurboTax، وتضييقها إلى حالات ضريبية محددة وملفات تعريف العملاء. تم نقل التحليل والتسوية وتصفية الأحكام من أسابيع إلى ساعات. تم التعامل مع هذه المهام بواسطة ChatGPT وLLM للأغراض العامة. لكن هذه الأدوات وصلت إلى حد صعب عندما تحول العمل من التحليل إلى التنفيذ. لا يعمل TurboTax على لغة برمجة قياسية. تم بناء محرك حساب الضرائب الخاص بها على لغة خاصة بالمجال يتم الحفاظ عليها داخليًا في Intuit. يجب على أي نموذج يقوم بإنشاء تعليمات برمجية لقاعدة التعليمات البرمجية تلك أن يترجم النص القانوني إلى تركيب جملة لم يتم التدريب عليه مطلقًا، وأن يحدد كيفية تفاعل الأحكام الجديدة مع عقود من التعليمات البرمجية الموجودة دون كسر ما يعمل بالفعل. أصبح كلود الأداة الأساسية لأعمال الترجمة ورسم خرائط التبعية. وقالت شو إنها تستطيع تحديد ما تغير وما لم يتغير، مما يسمح للمطورين بالتركيز فقط على الأحكام الجديدة. وقالت: \"إنها قادرة على الاندماج مع الأشياء التي لا تتغير وتحديد التبعيات على ما تغير\". \"لقد أدى ذلك إلى تسريع عملية التطوير ومكننا من التركيز فقط على الأشياء التي تغيرت.\" أدوات البناء المطابقة لعتبة خطأ قريبة من الصفر حصلت LLM للأغراض العامة على الفريق للعمل على التعليمات البرمجية. يتطلب الحصول على هذا الرمز القابل للشحن وجود أداتين خاصتين تم تصميمهما خلال دورة OBBB. يتم عرض أول منتج TurboTax تلقائيًا من تغييرات القانون. في السابق، كان المطورون ينسقون تلك الشاشات بشكل فردي لكل توفير. تعاملت الأداة الجديدة مع الأغلبية تلقائيًا، مع التخصيص اليدوي فقط عند الحاجة. والثاني كان إطار اختبار الوحدة المبني لهذا الغرض. كانت شركة Intuit تقوم دائمًا بإجراء اختبارات تلقائية، لكن النظام السابق لم ينتج سوى نتائج النجاح\/الفشل. عندما فشل الاختبار، كان على المطورين فتح ملف بيانات الإقرار الضريبي الأساسي يدويًا لتتبع السبب. وقال شو: \"ستخبرك الأتمتة بالنجاح، أو الفشل، وسيتعين عليك البحث في ملف البيانات الضريبية الفعلي لمعرفة ما قد يكون خطأ\". يحدد الإطار الجديد مقطع التعليمات البرمجية المحدد المسؤول، ويولد شرحًا ويسمح بإجراء التصحيح داخل الإطار نفسه. وقال شو إن دقة منتج الضرائب الاستهلاكية يجب أن تكون قريبة من 100 بالمائة. وقالت سارة إيرني، نائبة رئيس قسم التكنولوجيا لمجموعة المستهلكين في شركة Intuit، إن البنية يجب أن تؤدي إلى نتائج حتمية. وقال إيرني: \"إن امتلاك أنواع القدرات المتعلقة بالحتمية والصحيحة التي يمكن التحقق منها من خلال الاختبارات - هذا ما يؤدي إلى هذا النوع من الثقة\". الأدوات تتعامل مع السرعة. لكن شركة Intuit تستخدم أيضًا أدوات التقييم المستندة إلى LLM للتحقق من صحة المخرجات الناتجة عن الذكاء الاصطناعي، وحتى تلك الأدوات تتطلب خبيرًا ضريبيًا بشريًا لتقييم ما إذا كانت النتيجة صحيحة. وقال إيرني: \"يتعلق الأمر بامتلاك الخبرة البشرية لتكون قادرًا على التحقق من صحة أي شيء والتحقق منه\". أربعة مكونات يمكن لأي فريق في الصناعة الخاضعة للتنظيم أن يستخدمها تواجه فرق الرعاية الصحية والخدمات المالية والتكنولوجيا القانونية والتعاقدات الحكومية بانتظام نفس التركيبة: المستندات التنظيمية المعقدة، والمواعيد النهائية الصعبة، وقواعد التعليمات البرمجية الخاصة، ونسبة التسامح مع الأخطاء التي تقترب من الصفر. استنادًا إلى تطبيق Intuit، يمكن نقل أربعة عناصر من سير العمل إلى بيئات تطوير أخرى مقيدة بالمجال: استخدم شهادات LLM التجارية لتحليل المستندات. تتعامل نماذج الأغراض العامة مع التحليل والتسوية وتصفية التوفير بشكل جيد. هذا هو المكان الذي يضيفون فيه السرعة دون التسبب في مخاطر الدقة. التحول إلى الأدوات المدركة للمجال عندما يصبح التحليل تنفيذًا. نماذج الأغراض العامة التي تولد التعليمات البرمجية في بيئة خاصة دون فهمها ستنتج مخرجات لا يمكن الوثوق بها على نطاق واسع. قم ببناء البنية التحتية للتقييم قبل الموعد النهائي، وليس أثناء السباق. ينتج عن الاختبار الآلي العام مخرجات النجاح\/الفشل. إن أدوات الاختبار الخاصة بالمجال والتي تحدد حالات الفشل وتمكّن الإصلاحات في السياق هي ما يجعل التعليمات البرمجية التي تم إنشاؤها بواسطة الذكاء الاصطناعي قابلة للشحن. انشر أدوات الذكاء الاصطناعي عبر المؤسسة بأكملها، وليس فقط الهندسة. وقال شو إن شركة Intuit قامت بتدريب ومراقبة الاستخدام في جميع الوظائف. تم توزيع طلاقة الذكاء الاصطناعي عبر المؤسسة بدلاً من تركيزها على المستخدمين الأوائل. \"نحن نواصل التركيز على فرص الذكاء الاصطناعي والذكاء البشري هنا، حتى يتمكن عملاؤنا من الحصول على ما يحتاجون إليه من التجارب التي نبنيها،\" إيرني قال.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/openai-introduces-chatgpt-pro-usd100-tier-with-5x-usage-limits-for-codex",
            "title_en": "OpenAI introduces ChatGPT Pro $100 tier with 5X usage limits for Codex compared to Plus",
            "summary_en": "OpenAI is making moves to try and court more developers and vibe coders (those who build software using AI models and natural language) away from rivals like Anthropic. Today, the firm arguably most synonymous with the generative AI boom announced it will begin offering a new, more mid-range subscription tier — a $100 ChatGPT Pro plan — which joins its free, Go ($8 monthly), Plus ($20 monthly) and existing Pro ($200 monthly) plans for individuals using ChatGPT and related OpenAI products. OpenAI also currently offers Edu, Business ($25 per user monthly, formerly known as Team) and Enterprise (variably priced) plans for organizations in said sectors. Why offer a $100 monthly ChatGPT Pro plan? So why introduce a new $100 ChatGPT Pro plan, then? The big selling point from OpenAI is that the n",
            "body_en": "OpenAI is making moves to try and court more developers and vibe coders (those who build software using AI models and natural language) away from rivals like Anthropic. Today, the firm arguably most synonymous with the generative AI boom announced it will begin offering a new, more mid-range subscription tier — a $100 ChatGPT Pro plan — which joins its free, Go ($8 monthly), Plus ($20 monthly) and existing Pro ($200 monthly) plans for individuals using ChatGPT and related OpenAI products. OpenAI also currently offers Edu, Business ($25 per user monthly, formerly known as Team) and Enterprise (variably priced) plans for organizations in said sectors. Why offer a $100 monthly ChatGPT Pro plan? So why introduce a new $100 ChatGPT Pro plan, then? The big selling point from OpenAI is that the new plan offers five times greater usage limits on Codex, the company's agentic vibe coding application\/harness (the name is shared by both, as well as a lineup of coding-specific language gmodels), than the existing, $20 monthly Plus plan, which seems fair given the math ($20x5=$100). As OpenAI co-founder and CEO Sam Altman wrote in a post on X : \"It is very nice to see Codex getting so much love. We are launching a $100 ChatGPT Pro tier by very popular demand.\" However, alongside this, OpenAI's official company account on X noted that \"we’re rebalancing Codex usage in [ChatGPT] Plus to support more sessions throughout the week, rather than longer sessions in a single day.\" That sounds a lot like OpenAI is also simultaneously reducing how much ChatGPT Plus users can use its Codex harness and application per day. What are the new usage limits for the new $100 ChatGPT Pro plan vs. the $20 Plus? So, what are the current limits on the $20 Plus plan? The new Pro plan gives you 5X greater than...what? Turns out, this is trickier than you'd think to calculate, because it actually varies depending on which underlying AI model you are using to power the Codex application or harness, and whether you are working on code stored in the cloud or locally on your machine or servers. OpenAI's Developer website notes that for individual users, usage is categorized by \"Local Messages\" (tasks run on the user's machine) and \"Cloud Tasks\" (tasks run on OpenAI's infrastructure), both of which share a five-hour rolling window. Currently, it actually shows the $100 Pro plan gives you 10X the amount of messages as the $20 Plus plan (see below)! ChatGPT Plus ($20\/month) GPT-5.4: 33–168 local messages every 5 hours. GPT-5.4-mini: 110–560 local messages every 5 hours. GPT-5.3-Codex: 45–225 local messages and 10–60 cloud tasks every 5 hours. Code Reviews: 10–25 pull requests per week ChatGPT Pro 5X ($100\/month) GPT-5.4: 330-1680 local messages every 5 hours. GPT-5.4-mini: 1100-5600 local messages every 5 hours. GPT-5.3-Codex: 450-2,250 local messages and 100-600 cloud tasks every 5 hours. Code Reviews: 100–250 pull requests per week ChatGPT Pro 20x ($200\/month) GPT-5.4: 660-3,360 local messages every 5 hours. GPT-5.4-mini: 2,200-11,200 local me essages every 5 hours. GPT-5.3-Codex: 900-4,500 local messages and 200-1,200 cloud tasks every 5 hours. Code Reviews: 200–500 pull requests per week Exclusive Access: Includes GPT-5.3-Codex-Spark (research preview), which has its own dynamic usage limit. And as OpenAI's Help documentation states: \"The number of Codex messages you can send within these limits varies based on the size and complexity of your coding tasks, and where you execute tasks. Small scripts or simple functions may only consume a fraction of your allowance, while larger codebases, long running tasks, or extended sessions that require Codex to hold more context will use significantly more per message.\" The larger strategic implications and context OpenAI’s sudden move toward the $100 price point and expanded agentic capacity comes amid the unprecedented financial ascent of its chief rival, Anthropic. Just days ago, Anthropic revealed its annualized run-rate revenue (ARR) has topped $30 billion , surpassing OpenAI's last reported ARR of approximately $24–$25 billion. This growth has been fueled by the massive adoption of Claude Code and Claude Cowork, products that have set the benchmark for enterprise-grade autonomous coding. The competitive friction intensified on April 4, 2026, when Anthropic officially blocked Claude subscriptions from being used to provide the intelligence for third-party agentic AI harnesses like OpenClaw. To be clear, Anthropic Claude models themselves can still be used with OpenClaw, users just must now pay for access to Claude models through Anthropic's application programming interface (API) or extra usage credits, rather than as part of the monthly Claude subscription tiers (which some have likened to an \"all-you-can eat\" buffet, making the economics challenging for Anthropic when power users and third-party harnesses like OpenClaw consume more than the $20 or $200 monthly user spend on the plans in tokens). OpenClaw’s creator, Peter Steinberger, was notably hired by OpenAI in February 2026 to lead their personal agent strategy, and has, since joining, actively spoken out against Anthropic's limitations — advising that OpenAI's Codex and models generally don't have the same restrictions as Anthropic is now imposing. By hiring Steinberger and subsequently launching a Pro tier that provides the high-volume capacity Anthropic recently restricted, OpenAI is effectively courting the displaced OpenClaw community to reclaim the professional developer market.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6uVTE16gVLv4XRlDrOmhO8\/ddd73f327394bbdce9e8ac05e7114f06\/ChatGPT_Image_Apr_9__2026__06_14_45_PM.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/openai-introduces-chatgpt-pro-usd100-tier-with-5x-usage-limits-for-codex",
            "date": "2026-04-09",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تقدم OpenAI طبقة ChatGPT Pro بقيمة 100 دولار مع حدود استخدام 5X لـ Codex مقارنةً بـ Plus",
            "summary_ar": "تقوم OpenAI باتخاذ خطوات لمحاولة جذب المزيد من المطورين والمبرمجين (أولئك الذين يبنون برامج باستخدام نماذج الذكاء الاصطناعي واللغة الطبيعية) بعيدًا عن المنافسين مثل Anthropic. اليوم، أعلنت الشركة التي يمكن القول إنها الأكثر ارتباطًا بطفرة الذكاء الاصطناعي التوليدي أنها ستبدأ في تقديم فئة اشتراك جديدة متوسطة المدى - خطة ChatGPT Pro بقيمة 100 دولار - والتي تنضم إلى خططها المجانية Go (8 دولارات شهريًا) وPlus (20 دولارًا شهريًا) وخطط Pro الحالية (200 دولار شهريًا) للأفراد الذين يستخدمون ChatGPT ومنتجات OpenAI ذات الصلة. تقدم OpenAI أيضًا خطط Edu وBusiness (25 دولارًا لكل مستخدم شهريًا، والمعروفة سابقًا باسم Team) وEnterprise (بأسعار متفاوتة) للمؤسسات في القطاعات المذكورة. لماذا تقدم خطة ChatGPT Pro بقيمة 100 دولار شهريًا؟ فلماذا تقدم خطة ChatGPT Pro جديدة بقيمة 100 دولار إذن؟ نقطة البيع الكبيرة من OpenAI هي أن",
            "body_ar": "تقوم OpenAI باتخاذ خطوات لمحاولة جذب المزيد من المطورين والمبرمجين (أولئك الذين يبنون برامج باستخدام نماذج الذكاء الاصطناعي واللغة الطبيعية) بعيدًا عن المنافسين مثل Anthropic. اليوم، أعلنت الشركة التي يمكن القول إنها الأكثر ارتباطًا بطفرة الذكاء الاصطناعي التوليدي أنها ستبدأ في تقديم فئة اشتراك جديدة متوسطة المدى - خطة ChatGPT Pro بقيمة 100 دولار - والتي تنضم إلى خططها المجانية Go (8 دولارات شهريًا) وPlus (20 دولارًا شهريًا) وخطط Pro الحالية (200 دولار شهريًا) للأفراد الذين يستخدمون ChatGPT ومنتجات OpenAI ذات الصلة. تقدم OpenAI أيضًا خطط Edu وBusiness (25 دولارًا لكل مستخدم شهريًا، والمعروفة سابقًا باسم Team) وEnterprise (بأسعار متفاوتة) للمؤسسات في القطاعات المذكورة. لماذا تقدم خطة ChatGPT Pro بقيمة 100 دولار شهريًا؟ فلماذا تقدم خطة ChatGPT Pro جديدة بقيمة 100 دولار إذن؟ نقطة البيع الكبيرة من OpenAI هي أن الخطة الجديدة توفر حدود استخدام أكبر بخمسة أضعاف على Codex، وهو تطبيق\/أداة ترميز الوكالة الخاصة بالشركة (يتم مشاركة الاسم من قبل كليهما، بالإضافة إلى مجموعة من نماذج gmodels الخاصة بالتشفير)، مقارنة بخطة Plus الحالية البالغة 20 دولارًا شهريًا، والتي تبدو عادلة بالنظر إلى الرياضيات (20 × 5 = 100 دولار). وكما كتب سام ألتمان، المؤسس المشارك والرئيس التنفيذي لشركة OpenAI، في منشور على X: \"من الجميل جدًا أن نرى Codex يحظى بهذا القدر من الحب. نحن نطلق طبقة ChatGPT Pro بقيمة 100 دولار بناءً على طلب شائع جدًا.\" ومع ذلك، إلى جانب ذلك، أشار حساب شركة OpenAI الرسمي على X إلى أننا \"نعيد موازنة استخدام Codex في [ChatGPT] Plus لدعم المزيد من الجلسات على مدار الأسبوع، بدلاً من جلسات أطول في يوم واحد.\" يبدو هذا كثيرًا أن OpenAI تعمل أيضًا في نفس الوقت على تقليل مقدار استخدام مستخدمي ChatGPT Plus لأداة Codex وتطبيقها يوميًا. ما هي حدود الاستخدام الجديدة لـ ChatGPT Pro الجديد بقيمة 100 دولار الخطة مقابل 20 دولارًا زائدًا؟ إذًا، ما هي الحدود الحالية لخطة 20 دولارًا أمريكيًا؟ خطة Pro الجديدة تمنحك 5 أضعاف ما هو...ماذا؟ لقد تبين أن هذا أصعب مما تعتقد، لأنه يختلف في الواقع اعتمادًا على نموذج الذكاء الاصطناعي الأساسي الذي تستخدمه لتشغيل تطبيق Codex أو تسخيره، وما إذا كنت تعمل على تعليمات برمجية مخزنة في السحابة أو محليًا على جهازك أو خوادمك. يشير موقع مطور OpenAI إلى أنه بالنسبة للمستخدمين الفرديين، يتم تصنيف الاستخدام حسب \"الرسائل المحلية\" (يتم تشغيل المهام على جهاز المستخدم) و\"المهام السحابية\" (يتم تشغيل المهام على البنية التحتية لـ OpenAI)، وكلاهما يشتركان في نافذة متجددة مدتها خمس ساعات. حاليًا، يُظهر في الواقع أن خطة Pro بقيمة 100 دولار تمنحك 10 أضعاف كمية الرسائل مثل خطة 20 دولارًا إضافيًا (انظر أدناه)! ChatGPT Plus (20 دولارًا شهريًا) GPT-5.4: 33-168 رسالة محلية كل 5 ساعات. GPT-5.4-mini: 110-560 رسالة محلية كل 5 ساعات. GPT-5.3-Codex: 45-225 رسالة محلية و10-60 مهمة سحابية كل 5 ساعات. مراجعات الكود: 10-25 طلب سحب أسبوعيًا ChatGPT Pro 5X (100 دولار شهريًا) GPT-5.4: 330-1680 رسالة محلية كل 5 ساعات. GPT-5.4-mini: 1100-5600 رسالة محلية كل 5 ساعات. GPT-5.3-Codex: 450-2250 رسالة محلية و100-600 مهمة سحابية كل 5 ساعات. مراجعات الكود: 100-250 طلب سحب أسبوعيًا ChatGPT Pro 20x (200 دولار شهريًا) GPT-5.4: 660-3360 رسالة محلية كل 5 ساعات. GPT-5.4-mini: 2,200-11,200 رسالة محلية كل 5 ساعات. GPT-5.3-Codex: 900-4500 رسالة محلية و200-1200 مهمة سحابية كل 5 ساعات. مراجعات الكود: 200-500 طلب سحب أسبوعيًا. الوصول الحصري: يتضمن GPT-5.3-Codex-Spark (معاينة البحث)، والذي له حد الاستخدام الديناميكي الخاص به. وكما تنص وثائق تعليمات OpenAI: \"يختلف عدد رسائل Codex التي يمكنك إرسالها ضمن هذه الحدود بناءً على حجم وتعقيد مهام البرمجة الخاصة بك، ومكان تنفيذ المهام. قد تستهلك النصوص البرمجية الصغيرة أو الوظائف البسيطة جزءًا صغيرًا فقط من مخصصاتك، في حين أن قواعد التعليمات البرمجية الأكبر حجمًا، أو المهام الطويلة الأمد، أو الجلسات الممتدة التي تتطلب من Codex الاحتفاظ بمزيد من السياق ستستخدم قدرًا أكبر بكثير لكل رسالة. قبل أيام فقط، كشفت Anthropic عن أن إيرادات معدل التشغيل السنوي (ARR) قد تجاوزت 30 مليار دولار، متجاوزة آخر معدل ARR تم الإبلاغ عنه من OpenAI والذي يبلغ حوالي 24-25 مليار دولار. وقد تم تعزيز هذا النمو من خلال الاعتماد الهائل على كلود كود وكلود كوورك، وهما منتجان وضعا معيارًا للترميز المستقل على مستوى المؤسسات. اشتدت حدة الاحتكاك التنافسي في 4 أبريل 2026، عندما منعت Anthropic رسميًا استخدام اشتراكات Claude لتوفير المعلومات الاستخبارية لأدوات الذكاء الاصطناعي التابعة لجهات خارجية مثل OpenClaw. لكي نكون واضحين، لا يزال من الممكن استخدام نماذج Anthropic Claude نفسها مع OpenClaw، ويجب على المستخدمين الآن فقط الدفع مقابل الوصول إلى نماذج Claude من خلال واجهة برمجة تطبيقات Anthropic (API) أو أرصدة الاستخدام الإضافية، بدلاً من أن تكون جزءًا من مستويات اشتراك Claude الشهرية (والتي شبهها البعض ببوفيه \"كل ما يمكنك تناوله\"، مما يجعل الاقتصاد صعبًا بالنسبة لـ Anthropic عندما يستهلك المستخدمون المتميزون وأدوات الطرف الثالث مثل OpenClaw أكثر من 20 دولارًا أو 200 دولار للمستخدم شهريًا انفق على الخطط في الرموز). تم تعيين منشئ OpenClaw، Peter Steinberger، بشكل خاص من قبل OpenAI في فبراير 2026 لقيادة استراتيجية الوكيل الشخصي الخاصة بهم، ومنذ انضمامه، تحدث بنشاط ضد قيود Anthropic - مشيرًا إلى أن Codex ونماذج OpenAI بشكل عام لا تحتوي على نفس القيود التي تفرضها Anthropic الآن. من خلال توظيف Steinberger ثم إطلاق طبقة Pro التي توفر سعة كبيرة الحجم تم تقييدها مؤخرًا من قبل Anthropic، تعمل OpenAI على مغازلة مجتمع OpenClaw المهجور لاستعادة المطور المحترف سوق.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/mythos-detection-ceiling-security-teams-new-playbook",
            "title_en": "Mythos autonomously exploited vulnerabilities that survived 27 years of human review. Security teams need a new detection playbook",
            "summary_en": "A 27-year-old bug sat inside OpenBSD’s TCP stack while auditors reviewed the code, fuzzers ran against it, and the operating system earned its reputation as one of the most security-hardened platforms on earth. Two packets could crash any server running it. Finding that bug cost a single Anthropic discovery campaign approximately $20,000. The specific model run that surfaced the flaw cost under $50. Anthropic’s Claude Mythos Preview found it. Autonomously. No human guided the discovery after the initial prompt. The capability jump is not incremental On Firefox 147 exploit writing, Mythos succeeded 181 times versus 2 for Claude Opus 4.6 . A 90x improvement in a single generation. SWE-bench Pro: 77.8% versus 53.4%. CyberGym vulnerability reproduction: 83.1% versus 66.6%. Mythos saturated Ant",
            "body_en": "A 27-year-old bug sat inside OpenBSD’s TCP stack while auditors reviewed the code, fuzzers ran against it, and the operating system earned its reputation as one of the most security-hardened platforms on earth. Two packets could crash any server running it. Finding that bug cost a single Anthropic discovery campaign approximately $20,000. The specific model run that surfaced the flaw cost under $50. Anthropic’s Claude Mythos Preview found it. Autonomously. No human guided the discovery after the initial prompt. The capability jump is not incremental On Firefox 147 exploit writing, Mythos succeeded 181 times versus 2 for Claude Opus 4.6 . A 90x improvement in a single generation. SWE-bench Pro: 77.8% versus 53.4%. CyberGym vulnerability reproduction: 83.1% versus 66.6%. Mythos saturated Anthropic’s Cybench CTF at 100%, forcing the red team to shift to real-world zero-day discovery as the only meaningful evaluation left. Then it surfaced thousands of zero-day vulnerabilities across every major operating system and every major browser, many one to two decades old. Anthropic engineers with no formal security training asked Mythos to find remote code execution vulnerabilities overnight and woke up to a complete, working exploit by morning, according to Anthropic’s red team assessment . Anthropic assembled Project Glasswing , a 12-partner defensive coalition including CrowdStrike , Cisco , Palo Alto Networks , Microsoft, AWS, Apple, and the Linux Foundation , backed by $100 million in usage credits and $4 million in open-source grants. Over 40 additional organizations that build or maintain critical software infrastructure also received access. The partners have been running Mythos against their own infrastructure for weeks. Anthropic committed to a public findings report “within 90 days,” landing in early July 2026. Security directors got the announcement. They didn’t get the playbook. “I’ve been in this industry for 27 years,” Cisco SVP and Chief Security and Trust Officer Anthony Grieco told VentureBeat in an exclusive interview at RSAC 2026. “I have never been more optimistic for what we can do to change security because of the velocity. It’s also a little bit terrifying because we’re moving so quickly. It’s also terrifying because our adversaries have this capability as well, and so frankly, we must move this quickly.” Security directors saw this story told fifteen different ways this week, including VentureBeat’s exclusive interview with Anthropic’s Newton Cheng . As one widely shared X post summarizing the Mythos findings noted, the model cracked cryptography libraries, broke into a production virtual machine monitor, and gave engineers with zero security training working exploits by morning. What that coverage left unanswered: Where does the detection ceiling sit in the methods they already run, and what should they change before July? Seven vulnerability classes that show where every detection method hits its ceiling OpenBSD TCP SACK, 27 years old. Two crafted packets crash any server. SAST , fuzzers, and auditors missed a logic flaw requiring semantic reasoning about how TCP options interact under adversarial conditions. Campaign cost ~$20,000. Anthropic notes the $50 per-run figure reflects hindsight. FFmpeg H.264 codec, 16 years old. Fuzzers exercised the vulnerable code path 5 million times without triggering the flaw, according to Anthropic. Mythos caught it by reasoning about code semantics. Campaign cost ~$10,000. FreeBSD NFS remote code execution, CVE-2026-4747 , 17 years old. Unauthenticated root from the internet, per Anthropic’s assessment and independent reproduction. Mythos built a 20-gadget ROP chain split across multiple packets. Fully autonomous. Linux kernel local privilege escalation. Mythos chained two to four low-severity vulnerabilities into full local privilege escalation via race conditions and KASLR bypasses. CSA’s Rich Mogull noted Mythos failed at remote kernel exploitation but succeeded locally. No automated tool chains vulnerabilities today. Browser zero-days across every major browser. Thousands identified. Some required human-model collaboration. In one case, Mythos chained four vulnerabilities into a JIT heap spray , escaping both the renderer and the OS sandboxes. Firefox 147: 181 working exploits versus two for Opus 4.6. Cryptography library vulnerabilities ( TLS , AES-GCM , SSH ). Implementation flaws enabling certificate forgery or decryption of encrypted communications, per Anthropic’s red team blog and Help Net Security . A critical Botan library certificate bypass was disclosed the same day as the Glasswing announcement. Bugs in the code that implements the math. Not attacks on the math itself. Virtual machine monitor guest-to-host escape. Guest-to-host memory corruption in a production VMM, the technology keeping cloud workloads from seeing each other’s data. Cloud security architectures assume workload isolation holds. This finding breaks that assumption. Nicholas Carlini, in Anthropic’s launch briefing: “I’ve found more bugs in the last couple of weeks than I found in the rest of my life combined.” VentureBeat's prescriptive matrix Vulnerability Class Why Current Methods Miss It What Mythos Does Security Director Action OS kernel logic (OpenBSD 27yr, Linux 2-4 chain) SAST lacks semantic reasoning. Fuzzers miss logic flaws. Pen testers time-boxed. Bounties scope-exclude kernel. Chains 2-4 low-severity findings into local priv-esc. ~$20K campaign. Add AI-assisted kernel review to pen test RFPs. Expand bounty scope. Request Glasswing findings from OS vendors before July. Re-score clustered findings by chainability. Media codec (FFmpeg 16yr H.264) SAST unflagged. Fuzzers hit path 5M times, never triggered. Reasons about semantics beyond brute-force. ~$10K campaign. Inventory FFmpeg, libwebp, ImageMagick, libpng. Stop treating fuzz coverage as security proxy. Track Glasswing codec CVEs from July. Network stack RCE (FreeBSD 17yr, CVE-2026-4747) DAST limited at protocol depth. Pen tests skip NFS. Full autonomous chain to unauthenticated root. 20-gadget ROP chain. Patch CVE-2026-4747 now. Inventory NFS\/SMB\/RPC services. Add protocol fuzzing to 2026 cycle. Multi-vuln chaining (2-4 sequenced, local) No tool chains. Pen testers hours-limited. CVSS scores in isolation. Autonomous local chaining via race conditions + KASLR bypass. Require AI-assisted chaining in pen test methodology. Build chainability scoring. Budget AI red teams for 2026. Browser zero-days (thousands, 181 Firefox exploits) Bounties + continuous fuzzing missed thousands. Some required human-model collaboration. 90x over Opus 4.6. Chained 4 vulns into JIT heap spray escaping renderer + OS sandbox. Shorten patch SLA to 72hr critical. Pre-stage pipeline for July cycle. Pressure vendors for Glasswing timelines. Crypto libraries (TLS, AES-GCM, SSH, Botan bypass) SAST limited on crypto logic. Pen testers rarely audit crypto depth. Formal verification not standard. Found cert forgery + decryption flaws in battle-tested libraries. Audit all crypto library versions now. Track Glasswing crypto CVEs from July. Accelerate PQC migration. VMM \/ hypervisor (guest-to-host memory corruption) Cloud security assumes isolation. Few pen tests target hypervisor. Bounties rarely scope VMM. Guest-to-host escape in production VMM. Inventory hypervisor\/VMM versions. Request Glasswing findings from cloud providers. Reassess multi-tenant isolation assumptions. Attackers are faster. Defenders are patching once a year. The CrowdStrike 2026 Global Threat Report documents a 29-minute average eCrime breakout time, 65% faster than 2024, with an 89% year-over-year surge in AI-augmented attacks. CrowdStrike CTO Elia Zaitsev put the operational reality plainly in an exclusive interview with VentureBeat. “Adversaries leveraging agentic AI can perform those attacks at such a great speed that a traditional human process of look at alert, triage, investigate for 15 to 20 minutes, take an action an hour, a day, a week later, it’s insufficient,” Zaitsev said. A $20,000 Mythos discovery campaign that runs in hours replaces months of nation-state research effort. CrowdStrike CEO George Kurtz reinforced that timeline pressure on LinkedIn the same day as the Glasswing announcement. \"AI is creating the largest security demand driver since enterprises moved to the cloud,\" Kurtz wrote. The regulatory clock compounds the operational one. The EU AI Act's next enforcement phase takes effect August 2, 2026, imposing automated audit trails, cybersecurity requirements for every high-risk AI system, incident reporting obligations, and penalties up to 3% of global revenue. Security directors face a two-wave sequence: July's Glasswing disclosure cycle, then August's compliance deadline. Mike Riemer, Field CISO at Ivanti and a 25-year US Air Force veteran who works closely with federal cybersecurity agencies, told VentureBeat what he is hearing from the government. “Threat actors are reverse engineering patches, and the speed at which they’re doing it has been enhanced greatly by AI,” Riemer said. “They’re able to reverse engineer a patch within 72 hours. So if I release a patch and a customer doesn’t patch within 72 hours of that release, they’re open to exploit.” Riemer was blunt about where that leaves the industry. “They are so far in front of us as defenders,” he said. Grieco confirmed the other side of that collision at RSAC 2026. “If you talk to an operational team and many of our customers, they’re only patching once a year,” Grieco told VentureBeat. “And frankly, even in the best of circumstances, that is not fast enough.” CSA’s Mogull makes the structural case that defenders hold the long-term advantage: fix a vulnerability once and every deployment benefits. But the transition period, when attackers reverse-engineer patches in 72 hours and defenders patch once a year, favors offense. Mythos is not the only model finding these bugs. Researchers at AISLE, an AI cybersecurity startup, tested Anthropic's showcase vulnerabilities on small, open-weights models and found that eight out of eight detected the FreeBSD exploit. AISLE says one model had only 3.6 billion parameters and costs 11 cents per million tokens, and that a 5.1-billion-parameter open model recovered the core analysis chain of the 27-year-old OpenBSD bug. AISLE's conclusion: \"The moat in AI cybersecurity is the system, not the model.\" That makes the detection ceiling a structural problem, not a Mythos-specific one. Cheap models find the same bugs. The July timeline gets shorter, not longer. Over 99% of the vulnerabilities Mythos has identified have not yet been patched, per Anthropic’s red team blog. The public Glasswing report lands in early July 2026. It will trigger a high-volume patch cycle across operating systems, browsers, cryptography libraries, and major infrastructure software. Security directors who have not expanded their patch pipeline, re-scoped their bug bounty programs, and built chainability scoring by then will absorb that wave cold. July is not a disclosure event. It is a patch tsunami. What to tell the board Every security director tells the board “we have scanned everything.” Merritt Baer, CSO at Enkrypt AI and former Deputy CISO at AWS, told VentureBeat that the statement does not survive Mythos without a qualifier. “What security leaders actually mean is: we have exhaustively scanned for what our tools know how to see,” Baer said in an exclusive interview with VentureBeat. “That’s a very different claim.” Baer proposed reframing residual risk for boards around three tiers: known-knowns (vulnerability classes your stack reliably detects), known-unknowns (classes you know exist but your tools only partially cover, like stateful logic flaws and auth boundary confusion), and unknown-unknowns (vulnerabilities that emerge from composition, how safe components interact in unsafe ways). “This is where Mythos is landing,” Baer said. The board-level statement Baer recommends: “We have high confidence in detecting discrete, known vulnerability classes. Our residual risk is concentrated in cross-function, multi-step, and compositional flaws that evade single-point scanners. We are actively investing in capabilities that raise that detection ceiling.” On chainability, Baer was equally direct. “Chainability has to become a first-class scoring dimension,” she said. “CVSS was built to score atomic vulnerabilities. Mythos is exposing that risk is increasingly graph-shaped, not point-in-time.” Baer outlined three shifts security programs need to make: from severity scoring to exploitability pathways, from vulnerability lists to vulnerability graphs that model relationships across identity, data flow, and permissions, and from remediation SLAs to path disruption, where fixing any node that breaks the chain gets priority over fixing the highest individual CVSS. “Mythos isn’t just finding missed bugs,” Baer said. “It’s invalidating the assumption that vulnerabilities are independent. Security programs that don’t adapt, from coverage thinking to interaction thinking, will keep reporting green dashboards while sitting on red attack paths.” VentureBeat will update this story with additional operational details from Glasswing's founding partners as interviews are completed.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6U30KdpUttFqCNrnyaxxpJ\/35987bc5f4459240fe7195e361f84706\/Anthropic_Mythos_Hero.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/mythos-detection-ceiling-security-teams-new-playbook",
            "date": "2026-04-09",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "استغلت Mythos بشكل مستقل نقاط الضعف التي نجت من 27 عامًا من المراجعة البشرية. تحتاج فرق الأمن إلى قواعد كشف جديدة",
            "summary_ar": "تواجد خطأ يبلغ من العمر 27 عامًا داخل حزمة TCP الخاصة بـ OpenBSD بينما كان المدققون يراجعون الكود، وتعارضه المخادعون، واكتسب نظام التشغيل سمعته كواحد من أكثر المنصات الأمنية تشددًا على وجه الأرض. يمكن أن تتسبب حزمتان في تعطل أي خادم يقوم بتشغيله. العثور على هذا الخطأ كلف حملة اكتشاف إنسانية واحدة حوالي 20 ألف دولار. تكلفة تشغيل النموذج المحدد الذي أظهر الخلل أقل من 50 دولارًا. وجدتها معاينة كلود ميثوس من Anthropic. بشكل مستقل. ولم يقم أي إنسان بتوجيه الاكتشاف بعد المطالبة الأولية. قفزة القدرة ليست تدريجية في كتابة استغلال Firefox 147، نجح Mythos 181 مرة مقابل 2 لـ Claude Opus 4.6. تحسن 90x في جيل واحد. SWE-bench Pro: 77.8% مقابل 53.4%. إعادة إنتاج نقاط ضعف CyberGym: 83.1% مقابل 66.6%. الأساطير مشبعة نملة",
            "body_ar": "تواجد خطأ يبلغ من العمر 27 عامًا داخل حزمة TCP الخاصة بـ OpenBSD بينما كان المدققون يراجعون الكود، وتعارضه المخادعون، واكتسب نظام التشغيل سمعته كواحد من أكثر المنصات الأمنية تشددًا على وجه الأرض. يمكن أن تتسبب حزمتان في تعطل أي خادم يقوم بتشغيله. العثور على هذا الخطأ كلف حملة اكتشاف إنسانية واحدة حوالي 20 ألف دولار. تكلفة تشغيل النموذج المحدد الذي أظهر الخلل أقل من 50 دولارًا. وجدتها معاينة كلود ميثوس من Anthropic. بشكل مستقل. ولم يقم أي إنسان بتوجيه الاكتشاف بعد المطالبة الأولية. قفزة القدرة ليست تدريجية في كتابة استغلال Firefox 147، نجح Mythos 181 مرة مقابل 2 لـ Claude Opus 4.6. تحسن 90x في جيل واحد. SWE-bench Pro: 77.8% مقابل 53.4%. إعادة إنتاج نقاط ضعف CyberGym: 83.1% مقابل 66.6%. قامت Mythos بإشباع Cybench CTF الخاص بـ Anthropic بنسبة 100%، مما أجبر الفريق الأحمر على التحول إلى اكتشاف يوم الصفر في العالم الحقيقي باعتباره التقييم الوحيد المهم المتبقي. ثم ظهرت الآلاف من ثغرات يوم الصفر عبر كل نظام تشغيل رئيسي وكل متصفح رئيسي، والتي يعود تاريخ العديد منها إلى عقد أو عقدين من الزمن. طلب مهندسو الأنثروبولوجيا الذين ليس لديهم تدريب أمني رسمي من Mythos العثور على ثغرات أمنية في تنفيذ التعليمات البرمجية عن بعد بين عشية وضحاها واستيقظوا على استغلال كامل للعمل بحلول الصباح، وفقًا لتقييم الفريق الأحمر التابع لشركة Anthropic. قامت Anthropic بتجميع مشروع Glasswing، وهو تحالف دفاعي مكون من 12 شريكًا بما في ذلك CrowdStrike وCisco وPalo Alto Networks وMicrosoft وAWS وApple وLinux Foundation، مدعومًا بمبلغ 100 مليون دولار من أرصدة الاستخدام و4 ملايين دولار من المنح مفتوحة المصدر. كما حصلت أكثر من 40 مؤسسة إضافية تقوم ببناء أو صيانة البنية التحتية المهمة للبرمجيات على حق الوصول. يقوم الشركاء بتشغيل Mythos ضد البنية التحتية الخاصة بهم منذ أسابيع. التزمت شركة Anthropic بإصدار تقرير عام عن النتائج \"في غضون 90 يومًا\"، وسيصل في أوائل يوليو 2026. وقد حصل مديرو الأمن على هذا الإعلان. لم يحصلوا على كتاب اللعب. \"أنا أعمل في هذه الصناعة منذ 27 عامًا،\" قال أنتوني جريكو، نائب الرئيس الأول وكبير مسؤولي الأمن والثقة في شركة Cisco، لـ VentureBeat في مقابلة حصرية في RSAC 2026. \"لم أكن أبدًا أكثر تفاؤلاً بشأن ما يمكننا القيام به لتغيير الأمان بسبب السرعة. إنه أيضًا مرعب بعض الشيء لأننا نتحرك بسرعة كبيرة. إنه أمر مرعب أيضًا لأن خصومنا لديهم هذه القدرة أيضًا، وبصراحة، يجب علينا التحرك بسرعة”. شاهد مديرو الأمن هذه القصة تُروى بخمسة عشر طريقة مختلفة هذا الأسبوع، بما في ذلك مقابلة VentureBeat الحصرية مع Newton Cheng من Anthropic. كما أشار أحد منشورات X التي تمت مشاركتها على نطاق واسع والتي تلخص نتائج Mythos، قام النموذج باختراق مكتبات التشفير، واقتحام شاشة آلة افتراضية للإنتاج، ومنح المهندسين بدون تدريب أمني على استغلال العمل بحلول الصباح. ما الذي تركته هذه التغطية دون إجابة: أين يقع سقف الكشف في الأساليب التي يتم تطبيقها بالفعل، وما الذي يجب عليهم تغييره قبل شهر يوليو؟ سبع فئات من نقاط الضعف توضح أين تصل كل طريقة اكتشاف إلى الحد الأقصى OpenBSD TCP SACK، 27 عامًا. حزمتان معدتان تعطلان أي خادم. لقد أخطأت SAST والمدققون والمدققون خللًا منطقيًا يتطلب التفكير الدلالي حول كيفية تفاعل خيارات TCP في ظل ظروف الخصومة. تكلفة الحملة ~ 20.000 دولار. تلاحظ أنثروبيك أن رقم 50 دولارًا لكل عملية يعكس الإدراك المتأخر. برنامج ترميز FFmpeg H.264، عمره 16 عامًا. واستخدمت Fuzzers مسار التعليمات البرمجية الضعيفة 5 ملايين مرة دون إثارة الخلل، وفقًا لـ Anthropic. أدركت الأساطير ذلك من خلال التفكير في دلالات الكود. تكلفة الحملة ~ 10000 دولار. تنفيذ التعليمات البرمجية عن بعد لـ FreeBSD NFS، CVE-2026-4747، 17 عامًا. جذر غير مصادق عليه من الإنترنت، وفقًا لتقييم Anthropic والاستنساخ المستقل. قامت Mythos ببناء سلسلة ROP مكونة من 20 أداة مقسمة عبر حزم متعددة. مستقلة تماما. تصعيد الامتياز المحلي لنواة Linux. قامت Mythos بربط اثنتين إلى أربع نقاط ضعف منخفضة الخطورة بتصعيد الامتيازات المحلية الكاملة عبر ظروف السباق وتجاوزات KASLR. أشار Rich Mogull من وكالة الفضاء الكندية إلى أن Mythos فشل في استغلال النواة عن بعد ولكنه نجح محليًا. لا توجد نقاط ضعف لسلاسل الأدوات الآلية اليوم. متصفح صفر يوم عبر كل متصفح رئيسي. تم التعرف على الآلاف. البعض يتطلب التعاون مع النموذج البشري. في إحدى الحالات، قامت Mythos بتقييد أربع ثغرات أمنية في رذاذ كومة JIT، مما أدى إلى الهروب من كل من العارض وصناديق الحماية الخاصة بنظام التشغيل. Firefox 147: 181 مآثر العمل مقابل اثنتين لـ Opus 4.6. الثغرات الأمنية في مكتبة التشفير (TLS، AES-GCM، SSH). تسمح عيوب التنفيذ بتزوير الشهادات أو فك تشفير الاتصالات المشفرة، وفقًا لمدونة الفريق الأحمر التابعة لـ Anthropic وHelp Net Security. تم الكشف عن تجاوز شهادة مكتبة Botan المهمة في نفس يوم إعلان Glasswing. أخطاء في الكود الذي ينفذ الرياضيات. لا الهجمات على الرياضيات نفسها. آلة افتراضية تراقب هروب الضيف إلى المضيف. تلف ذاكرة الضيف إلى المضيف في VMM للإنتاج، وهي تقنية تمنع أحمال العمل السحابية من رؤية بيانات بعضها البعض. تفترض بنيات أمان السحابة عزل عبء العمل. وهذا الاكتشاف يكسر هذا الافتراض. نيكولاس كارليني، في موجز إطلاق Anthropic: \"لقد وجدت أخطاء في الأسبوعين الماضيين أكثر مما وجدته في بقية حياتي مجتمعة.\" فئة الضعف الخاصة بمصفوفة VentureBeat الإرشادية لماذا تفتقدها الأساليب الحالية ما يفعله Mythos Security Director Action OS kernel logic (OpenBSD 27yr, Linux 2-4 chain) يفتقر SAST إلى المنطق الدلالي. يغيب عن Fuzzers العيوب المنطقية. اختبار القلم محاصر بالوقت. نطاق المكافآت - استبعاد النواة. قم بربط 2-4 نتائج منخفضة الخطورة إلى نظام خاص محلي. ~ حملة بقيمة 20 ألف دولار. أضف مراجعة النواة بمساعدة الذكاء الاصطناعي إلى طلبات تقديم العروض لاختبار القلم. توسيع نطاق المكافأة. اطلب نتائج شركة Glasswing من موردي أنظمة التشغيل قبل شهر يوليو. إعادة تسجيل النتائج المجمعة عن طريق التسلسل. برنامج ترميز الوسائط (FFmpeg 16yr H.264) SAST بدون علامة. ضربت Fuzzers المسار 5 ملايين مرة، ولم يتم تشغيلها مطلقًا. أسباب حول دلالات تتجاوز القوة الغاشمة. ~ حملة بقيمة 10 آلاف دولار. المخزون FFmpeg، libwebp، ImageMagick، libpng. التوقف عن التعامل مع التغطية الزغبية كوكيل أمني. تتبع CVEs لبرنامج ترميز Glasswing اعتبارًا من يوليو. مكدس الشبكة RCE (FreeBSD 17yr، CVE-2026-4747) DAST محدود بعمق البروتوكول. اختبارات القلم تخطي NFS. سلسلة مستقلة كاملة لجذر غير مصادق عليه. سلسلة ROP مكونة من 20 أداة. التصحيح CVE-2026-4747 الآن. جرد خدمات NFS\/SMB\/RPC. إضافة بروتوكول غامض إلى دورة 2026. تسلسل متعدد الشفرات (2-4 متسلسل، محلي) لا توجد سلاسل أدوات. ساعات اختبار القلم محدودة. عشرات CVSS في عزلة. تسلسل محلي مستقل عبر ظروف السباق + تجاوز KASLR. تتطلب التسلسل بمساعدة الذكاء الاصطناعي في منهجية اختبار القلم. بناء سجل قابلية التسلسل. فرق ميزانية الذكاء الاصطناعي الحمراء لعام 2026. الأيام الصفرية للمتصفح (الآلاف، 181 ثغرات لمتصفح فايرفوكس) المكافآت + التشويش المستمر أضاع الآلاف. البعض يتطلب التعاون مع النموذج البشري. 90x مقارنة بـ Opus 4.6. تم ربط 4 نقاط اتصال بالسلاسل في جهاز عرض الهروب من رذاذ JIT + وضع الحماية لنظام التشغيل. تقصير مدة التصحيح SLA إلى 72 ساعة حرجة. خط أنابيب ما قبل المرحلة لدورة يوليو. بائعو الضغط للجداول الزمنية لـ Glasswing. مكتبات التشفير (TLS، AES-GCM، SSH، Botan bypass) SAST محدودة بمنطق التشفير. نادرًا ما يقوم مختبرو القلم بتدقيق عمق التشفير. التحقق الرسمي غير قياسي. تم العثور على تزوير الشهادات + عيوب فك التشفير في المكتبات التي تم اختبارها في المعارك. قم بمراجعة جميع إصدارات مكتبة التشفير الآن. تتبع المخاطر والتحديات الخطيرة للعملات المشفرة في Glasswing اعتبارًا من يوليو. تسريع الهجرة PQC. VMM \/ برنامج Hypervisor (فساد ذاكرة الضيف إلى المضيف) يفترض أمان السحابة العزلة. تستهدف بعض اختبارات القلم برنامج Hypervisor. نادرًا ما تشمل المكافآت VMM. الهروب من الضيف إلى المضيف في إنتاج VMM. إصدارات برنامج Hypervisor\/VMM للمخزون. اطلب نتائج شركة Glasswing من موفري الخدمات السحابية. إعادة تقييم افتراضات عزل المستأجرين المتعددين. المهاجمون أسرع. يتم ترقيع المدافعين مرة واحدة في السنة. يوثق تقرير التهديدات العالمية لعام 2026 من CrowdStrike متوسط ​​وقت اختراق الجرائم الإلكترونية بمقدار 29 دقيقة، أي أسرع بنسبة 65% من عام 2024، مع زيادة بنسبة 89% على أساس سنوي في الهجمات المعززة بالذكاء الاصطناعي. أوضح إيليا زايتسيف، مدير التكنولوجيا في CrowdStrike، الواقع التشغيلي بوضوح في مقابلة حصرية مع VentureBeat. وقال زايتسيف: \"يمكن للأعداء الذين يستفيدون من الذكاء الاصطناعي أن ينفذوا تلك الهجمات بسرعة كبيرة لدرجة أن العملية البشرية التقليدية المتمثلة في النظر في التنبيه، والفرز، والتحقيق لمدة 15 إلى 20 دقيقة، واتخاذ إجراء بعد ساعة، أو يوم، أو أسبوع، غير كافية\". إن حملة اكتشاف Mythos بقيمة 20 ألف دولار والتي تستمر خلال ساعات تحل محل أشهر من الجهود البحثية التي تبذلها الدولة القومية. عزز الرئيس التنفيذي لشركة CrowdStrike، جورج كورتز، هذا الضغط الزمني على LinkedIn في نفس يوم إعلان Glasswing. وكتب كورتز: \"يقوم الذكاء الاصطناعي بإنشاء أكبر محرك للطلب على الأمان منذ أن انتقلت الشركات إلى السحابة\". الساعة التنظيمية تضاعف الساعة التشغيلية. تدخل مرحلة التنفيذ التالية لقانون الذكاء الاصطناعي للاتحاد الأوروبي حيز التنفيذ في 2 أغسطس 2026، حيث تفرض مسارات تدقيق آلية، ومتطلبات الأمن السيبراني لكل نظام ذكاء اصطناعي عالي المخاطر، والتزامات الإبلاغ عن الحوادث، وعقوبات تصل إلى 3% من الإيرادات العالمية. ويواجه مديرو الأمن سلسلة من موجتين: دورة الكشف عن شركة Glasswing في يوليو، ثم الموعد النهائي للامتثال في أغسطس. أخبر مايك ريمر، كبير مسؤولي تكنولوجيا المعلومات الميداني في Ivanti وهو من قدامى المحاربين في القوات الجوية الأمريكية لمدة 25 عامًا والذي يعمل بشكل وثيق مع وكالات الأمن السيبراني الفيدرالية، موقع VentureBeat بما يسمعه من الحكومة. وقال ريمر: \"إن الجهات التهديدية عبارة عن تصحيحات هندسية عكسية، وقد تم تعزيز السرعة التي يقومون بها بذلك بشكل كبير بواسطة الذكاء الاصطناعي\". \"إنهم قادرون على إجراء هندسة عكسية للتصحيح خلال 72 ساعة. لذا، إذا قمت بإصدار تصحيح ولم يقم العميل بتصحيحه خلال 72 ساعة من هذا الإصدار، فسيكون عرضة للاستغلال.\" كان ريمر صريحًا بشأن المكان الذي يترك فيه هذا الصناعة. وقال: \"إنهم أمامنا حتى الآن كمدافعين\". أكد Grieco الجانب الآخر من هذا التصادم في RSAC 2026. قال Grieco لـ VentureBeat: \"إذا تحدثت إلى فريق تشغيلي والعديد من عملائنا، فإنهم يقومون بالتصحيح مرة واحدة فقط في السنة\". وبصراحة، حتى في أفضل الظروف، فإن ذلك ليس بالسرعة الكافية”. يقدم Mogull من CSA حجة هيكلية مفادها أن المدافعين يتمتعون بالميزة طويلة المدى: إصلاح الثغرة الأمنية مرة واحدة وتحقيق فوائد النشر. لكن الفترة الانتقالية، عندما يقوم المهاجمون بإجراء هندسة عكسية للتصحيحات خلال 72 ساعة، ويقوم المدافعون بالتصحيح مرة واحدة سنويًا، تفضل الهجوم. Mythos ليس النموذج الوحيد الذي اكتشف هذه الأخطاء. قام الباحثون في AISLE، وهي شركة ناشئة للأمن السيبراني تعمل بالذكاء الاصطناعي، باختبار نقاط الضعف في Anthropic على نماذج صغيرة ذات أوزان مفتوحة، ووجدوا أن ثمانية من أصل ثمانية اكتشفوا استغلال FreeBSD. يقول AISLE إن أحد النماذج يحتوي على 3.6 مليار معلمة فقط ويكلف 11 سنتًا لكل مليون رمز، وأن النموذج المفتوح الذي يحتوي على 5.1 مليار معلمة استعاد سلسلة التحليل الأساسية لخطأ OpenBSD البالغ من العمر 27 عامًا. استنتاج AISLE: \"إن الخندق في الأمن السيبراني للذكاء الاصطناعي هو النظام، وليس النموذج.\" وهذا يجعل سقف الكشف مشكلة هيكلية، وليست مشكلة خاصة بالميثوس. تجد النماذج الرخيصة نفس الأخطاء. الجدول الزمني لشهر يوليو يصبح أقصر، وليس أطول. أكثر من 99% من نقاط الضعف التي حددتها Mythos لم يتم تصحيحها بعد، وفقًا لمدونة الفريق الأحمر التابعة لـ Anthropic. سيصدر تقرير Glasswing العام في أوائل يوليو 2026. سيؤدي ذلك إلى إطلاق دورة تصحيح كبيرة الحجم عبر أنظمة التشغيل والمتصفحات ومكتبات التشفير وبرامج البنية التحتية الرئيسية. مديرو الأمن الذين لم يوسعوا خط التصحيح الخاص بهم، وأعادوا نطاق برامج مكافآت الأخطاء الخاصة بهم، وقاموا ببناء سجل قابلية التسلسل بحلول ذلك الوقت سوف يمتصون تلك الموجة الباردة. يوليو ليس حدث الكشف. إنه تسونامي التصحيح. ما يجب قوله لمجلس الإدارة: يقول كل مدير أمني لمجلس الإدارة \"لقد قمنا بفحص كل شيء\". صرحت ميريت باير، مديرة تكنولوجيا المعلومات في Enkrypt AI ونائب رئيس قسم تكنولوجيا المعلومات السابق في AWS، لـ VentureBeat أن البيان لا ينجو من Mythos بدون مؤهل. وقال باير في مقابلة حصرية مع VentureBeat: \"ما يعنيه قادة الأمن في الواقع هو: لقد قمنا بفحص شامل بحثًا عن ما تعرف أدواتنا كيف تراه\". \"هذا ادعاء مختلف تمامًا.\" اقترح باير إعادة صياغة المخاطر المتبقية للوحات حول ثلاثة مستويات: المعروفة (فئات الثغرات الأمنية التي يكتشفها مكدسك بشكل موثوق)، والمعروفة غير المعروفة (الفئات التي تعرفها موجودة ولكن أدواتك تغطيها جزئيًا فقط، مثل العيوب المنطقية وارتباك حدود المصادقة)، والعناصر غير المعروفة (نقاط الضعف التي تنشأ من التركيب، وكيفية تفاعل المكونات الآمنة بطرق غير آمنة). قال باير: \"هذا هو المكان الذي تهبط فيه ميثوس\". يوصي البيان على مستوى مجلس الإدارة بما يلي: \"لدينا ثقة عالية في اكتشاف فئات الثغرات المنفصلة والمعروفة. وتتركز مخاطرنا المتبقية في العيوب متعددة الوظائف، والمتعددة الخطوات، والعيوب التركيبية التي تتجنب الماسحات الضوئية ذات النقطة الواحدة. ونحن نستثمر بنشاط في القدرات التي ترفع سقف الكشف هذا\". فيما يتعلق بالقابلية للتسلسل، كان باير مباشرًا بنفس القدر. وقالت: \"يجب أن تصبح قابلية التسلسل بُعدًا للتسجيل من الدرجة الأولى\". \"تم تصميم نظام CVSS لتسجيل نقاط الضعف الذرية. وتكشف ميثوس أن المخاطر أصبحت على نحو متزايد على شكل رسم بياني، وليس نقطة زمنية محددة. حدد باير ثلاثة تحولات تحتاج برامج الأمان إلى إجرائها: من تسجيل الخطورة إلى مسارات قابلية الاستغلال، ومن قوائم الثغرات الأمنية إلى الرسوم البيانية للثغرات الأمنية التي تمثل العلاقات عبر الهوية وتدفق البيانات والأذونات، ومن اتفاقيات مستوى الخدمة الخاصة بالمعالجة إلى تعطيل المسار، حيث يحظى إصلاح أي عقدة تكسر السلسلة بالأولوية على إصلاح أعلى أنظمة CVSS الفردية. قال باير: \"لا تقتصر مهمة Mythos على العثور على الأخطاء المفقودة\". \"إنه يبطل الافتراض بأن نقاط الضعف مستقلة. برامج الأمان التي لا تتكيف، بدءًا من التفكير في التغطية إلى التفكير التفاعلي، ستستمر في الإبلاغ عن لوحات المعلومات الخضراء بينما تجلس على مسارات الهجوم الحمراء. ستقوم VentureBeat بتحديث هذه القصة بتفاصيل تشغيلية إضافية من الشركاء المؤسسين لـ Glasswing كما هي الحال في المقابلات مكتمل.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/infrastructure\/claude-openclaw-and-the-new-reality-ai-agents-are-here-and-so-is-the-chaos",
            "title_en": "Claude, OpenClaw and the new reality: AI agents are here — and so is the chaos",
            "summary_en": "The age of agentic AI is upon us — whether we like it or not. What started with an innocent question-answer banter with ChatGPT back in 2022 has become an existential debate on job security and the rise of the machines. More recently, fears of reaching artificial general intelligence (AGI) have become more real with the advent of powerful autonomous agents like Claude Cowork and OpenClaw . Having played with these tools for some time, here is a comparison. First, we have OpenClaw (formerly known as Moltbot and Clawdbot). Surpassing 150,000 GitHub stars in days, OpenClaw is already being deployed on local machines with deep system access. This is like a robot “maid” (Irona for Richie Rich fans, for instance) that you give the keys to your house. It’s supposed to clean it, and you give it th",
            "body_en": "The age of agentic AI is upon us — whether we like it or not. What started with an innocent question-answer banter with ChatGPT back in 2022 has become an existential debate on job security and the rise of the machines. More recently, fears of reaching artificial general intelligence (AGI) have become more real with the advent of powerful autonomous agents like Claude Cowork and OpenClaw . Having played with these tools for some time, here is a comparison. First, we have OpenClaw (formerly known as Moltbot and Clawdbot). Surpassing 150,000 GitHub stars in days, OpenClaw is already being deployed on local machines with deep system access. This is like a robot “maid” (Irona for Richie Rich fans, for instance) that you give the keys to your house. It’s supposed to clean it, and you give it the necessary autonomy to take actions and manage your belongings (files and data) as it pleases. The whole purpose is to perform the task at hand — inbox triaging, auto-replies, content curation, travel planning, and more. Next we have Google’s Antigravity , a coding agent with an IDE that accelerates the path from prompt to production. You can interactively create complete application projects and modify specific details over individual prompts. This is like having a junior developer that can not only code, but build, test, integrate, and fix issues. In the realworld, this is like hiring an electrician: They are really good at a specific job and you only need to give them access to a specific item (your electric junction box). Finally, we have the mighty Claude. The release of Anthropic's Cowork, which featured AI agents for automating legal tasks like contract review and NDA triage, caused a sharp sell-off in legal-tech and software-as-a-service (SaaS) stocks (referred to as the SaaSpocalypse ). Claude has anyway been the go-to chatbot; now with Cowork, it has domain knowledge for specific industries like legal and finance. This is like hiring an accountant. They know the domain inside-out and can complete taxes and manage invoices. Users provide specific access to highly-sensitive financial details. Making these tools work for you The key to making these tools more impactful is giving them more power, but that increases the risk of misuse . Users must trust providers like Anthorpic and Google to ensure that agent prompts will not cause harm, leak data, or provide unfair (illegal) advantage to certain vendors. OpenClaw is open-source, which complicates things, as there is no central governing authority. While these technological advancements are amazing and meant for the greater good, all it takes is one or two adverse events to cause panic. Imagine the agentic electrician frying all your house circuits by connecting the wrong wire. In an agent scenario, this could be injecting incorrect code, breaking down a bigger system or adding hidden flaws that may not be immediately evident. Cowork could miss major saving opportunities when doing a user's taxes; on the flip side, it could include illegal writeoffs. Claude can do unimaginable damage when it has more control and authority. But in the middle of this chaos, there is an opportunity to really take advantage. With the right guardrails in place, agents can focus on specific actions and avoid making random, unaccounted-for decisions. Principles of responsible AI — accountability, transparency, reproducibility, security, privacy — are extremely important. Logging agent steps and human confirmation are absolutely critical. Also, when agents deal with so many diverse systems, it's important they speak the same language. Ontology becomes very important so that events can be tracked, monitored, and accounted for. A shared domain-specific ontology can define a “code of conduct.\" These ethics can help control the chaos. When tied together with a shared trust and distributed identity framework, we can build systems that enable agents to do truly useful work. When done right, an agentic ecosystem can greatly offload the human “cognitive load” and enable our workforce to perform high-value tasks. Humans will benefit when agents handle the mundane. Dattaraj Rao is innovation and R&D architect at Persistent Systems.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/33OB5cKXtts9VZ7sMyzGew\/7454f3b529fbde6e78746d28b720e4c4\/Chaos.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/infrastructure\/claude-openclaw-and-the-new-reality-ai-agents-are-here-and-so-is-the-chaos",
            "date": "2026-04-08",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "كلود وOpenClaw والواقع الجديد: عملاء الذكاء الاصطناعي موجودون هنا، وكذلك الفوضى",
            "summary_ar": "لقد اقتربنا من عصر الذكاء الاصطناعي الوكيل، سواء أحببنا ذلك أم لا. ما بدأ بمزاح بريء من الأسئلة والأجوبة مع ChatGPT في عام 2022 أصبح نقاشًا وجوديًا حول الأمن الوظيفي وصعود الآلات. وفي الآونة الأخيرة، أصبحت المخاوف من الوصول إلى الذكاء العام الاصطناعي (AGI) أكثر واقعية مع ظهور عملاء مستقلين أقوياء مثل كلود كوورك وOpenClaw. بعد أن لعبت بهذه الأدوات لبعض الوقت، إليك مقارنة. أولاً، لدينا OpenClaw (المعروف سابقًا باسم Moltbot وClawdbot). بعد أن تجاوز عدد نجوم GitHub 150,000 في أيام، تم بالفعل نشر OpenClaw على الأجهزة المحلية ذات الوصول العميق إلى النظام. هذا يشبه \"الخادمة\" الآلية (أيرونا لمحبي ريتشي ريتش، على سبيل المثال) التي تعطي مفاتيح منزلك. من المفترض أن تنظفه، وأنت تعطيه ذ",
            "body_ar": "لقد اقتربنا من عصر الذكاء الاصطناعي الوكيل، سواء أحببنا ذلك أم لا. ما بدأ بمزاح بريء من الأسئلة والأجوبة مع ChatGPT في عام 2022 أصبح نقاشًا وجوديًا حول الأمن الوظيفي وصعود الآلات. وفي الآونة الأخيرة، أصبحت المخاوف من الوصول إلى الذكاء العام الاصطناعي (AGI) أكثر واقعية مع ظهور عملاء مستقلين أقوياء مثل كلود كوورك وOpenClaw. بعد أن لعبت بهذه الأدوات لبعض الوقت، إليك مقارنة. أولاً، لدينا OpenClaw (المعروف سابقًا باسم Moltbot وClawdbot). بعد أن تجاوز عدد نجوم GitHub 150,000 في أيام، تم بالفعل نشر OpenClaw على الأجهزة المحلية ذات الوصول العميق إلى النظام. هذا يشبه \"الخادمة\" الآلية (أيرونا لمحبي ريتشي ريتش، على سبيل المثال) التي تعطي مفاتيح منزلك. من المفترض أن يقوم بتنظيفه، وأن تمنحه الاستقلالية اللازمة لاتخاذ الإجراءات وإدارة ممتلكاتك (الملفات والبيانات) كما يحلو لك. والغرض كله هو أداء المهمة المطروحة - فرز البريد الوارد، والردود التلقائية، وتنظيم المحتوى، والتخطيط للسفر، والمزيد. بعد ذلك، لدينا برنامج Google Antigravity، وهو وكيل ترميز مزود ببيئة تطوير متكاملة تعمل على تسريع المسار من المطالبة إلى الإنتاج. يمكنك إنشاء مشاريع تطبيق كاملة بشكل تفاعلي وتعديل تفاصيل محددة عبر المطالبات الفردية. وهذا يشبه وجود مطور مبتدئ لا يمكنه البرمجة فحسب، بل يمكنه إنشاء المشكلات واختبارها ودمجها وإصلاحها. في العالم الحقيقي، يشبه هذا تعيين كهربائي: فهو جيد حقًا في وظيفة معينة وتحتاج فقط إلى منحه إمكانية الوصول إلى عنصر معين (صندوق التوصيل الكهربائي الخاص بك). وأخيرا، لدينا كلود العظيم. أدى إصدار Anthropic's Cowork، الذي يضم وكلاء الذكاء الاصطناعي لأتمتة المهام القانونية مثل مراجعة العقود وفرز NDA، إلى عمليات بيع حادة في أسهم التكنولوجيا القانونية والبرمجيات كخدمة (SaaS) (يشار إليها باسم SaaSpocalypse). لقد كان كلود على أية حال هو برنامج الدردشة الآلي المفضل؛ والآن مع Cowork، أصبح لديها معرفة بالمجال لصناعات محددة مثل الشؤون القانونية والمالية. هذا مثل تعيين محاسب. إنهم يعرفون المجال من الداخل إلى الخارج ويمكنهم إكمال الضرائب وإدارة الفواتير. يوفر المستخدمون وصولاً محددًا إلى التفاصيل المالية الحساسة للغاية. جعل هذه الأدوات تعمل لصالحك إن المفتاح لجعل هذه الأدوات أكثر تأثيرًا هو منحها المزيد من القوة، ولكن هذا يزيد من خطر سوء الاستخدام. يجب أن يثق المستخدمون في مقدمي خدمات مثل Anthorpic وGoogle للتأكد من أن مطالبات الوكيل لن تسبب ضررًا أو تسرب بيانات أو تقدم ميزة غير عادلة (غير قانونية) لبعض البائعين. OpenClaw هو برنامج مفتوح المصدر، مما يزيد الأمور تعقيدا، حيث لا توجد سلطة حاكمة مركزية. في حين أن هذه التطورات التكنولوجية مذهلة وتهدف إلى تحقيق الصالح العام، فإن كل ما يتطلبه الأمر هو حدث أو حدثان سلبيان لإثارة الذعر. تخيل أن الوكيل الكهربائي يقوم بقلي جميع دوائر منزلك عن طريق توصيل السلك الخطأ في سيناريو الوكيل، قد يكون ذلك عن طريق إدخال تعليمات برمجية غير صحيحة، أو تحطيم نظام أكبر، أو إضافة عيوب مخفية قد لا تكون واضحة على الفور. يمكن أن يفوت العمل الجماعي فرصًا كبيرة للادخار عند القيام بضرائب المستخدم؛ وعلى الجانب الآخر، يمكن أن يشمل ذلك عمليات شطب غير قانونية. يمكن لكلود أن يحدث ضررًا لا يمكن تصوره عندما يكون لديه المزيد من السيطرة والسلطة. ولكن في وسط هذه الفوضى، هناك فرصة للاستفادة منها حقًا. ومع وجود حواجز الحماية المناسبة، يمكن للوكلاء التركيز على إجراءات محددة وتجنب اتخاذ قرارات عشوائية غير محسوبة. إن مبادئ الذكاء الاصطناعي المسؤول - المساءلة، والشفافية، وقابلية التكرار، والأمن، والخصوصية - مهمة للغاية. تعتبر خطوات وكيل التسجيل والتأكيد البشري أمرًا بالغ الأهمية. وأيضًا، عندما يتعامل الوكلاء مع العديد من الأنظمة المتنوعة، فمن المهم أن يتحدثوا نفس اللغة. يصبح علم الوجود مهمًا للغاية بحيث يمكن تتبع الأحداث ومراقبتها وحسابها. يمكن للوجود المشترك الخاص بالمجال تحديد \"قواعد السلوك\". هذه الأخلاقيات يمكن أن تساعد في السيطرة على الفوضى. عند ربطها مع الثقة المشتركة وإطار الهوية الموزعة، يمكننا بناء أنظمة تمكن الوكلاء من القيام بعمل مفيد حقًا. عندما يتم تنفيذه بشكل صحيح، يمكن للنظام البيئي الوكيل أن يخفف العبء المعرفي البشري بشكل كبير ويمكّن القوى العاملة لدينا من أداء مهام عالية القيمة. سوف يستفيد البشر عندما يتعامل الوكلاء مع الأمور الدنيوية. داتاراج راو هو مهندس الابتكار والبحث والتطوير في شركة Persistent الأنظمة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/goodbye-llama-meta-launches-new-proprietary-ai-model-muse-spark-first-since",
            "title_en": "Goodbye, Llama? Meta launches new proprietary AI model Muse Spark — first since Superintelligence Labs' formation",
            "summary_en": "Meta has been one of the most interesting companies of the generative AI era — initially gaining a loyal and huge following of users for the release of its mostly open source Llama family of large language models (LLMs) beginning in early 2023 but coming to screeching halt last year after Llama 4 debuted to mixed reviews and ultimately, admissions of gaming benchmarks. That bumpy rollout of Llama 4 apparently spurred Meta founder and CEO Mark Zuckerberg to totally overhaul Meta's AI operations in the summer of 2025 , forming a new internal division, Metal Superintelligence Labs (MSL) which he recruited 29-year-old former Scale AI co-founder and CEO Alexandr Wang to lead as Chief AI Officer. Now, today, Meta is showing us the fruits of that effort: Muse Spark , a new proprietary model ",
            "body_en": "Meta has been one of the most interesting companies of the generative AI era — initially gaining a loyal and huge following of users for the release of its mostly open source Llama family of large language models (LLMs) beginning in early 2023 but coming to screeching halt last year after Llama 4 debuted to mixed reviews and ultimately, admissions of gaming benchmarks. That bumpy rollout of Llama 4 apparently spurred Meta founder and CEO Mark Zuckerberg to totally overhaul Meta's AI operations in the summer of 2025 , forming a new internal division, Metal Superintelligence Labs (MSL) which he recruited 29-year-old former Scale AI co-founder and CEO Alexandr Wang to lead as Chief AI Officer. Now, today, Meta is showing us the fruits of that effort: Muse Spark , a new proprietary model that Wang says ( posting on rival social network X, used more often by the machine learning community) is \"the most powerful model that meta has released,\" and has \"support for tool-use, visual chain of thought, & multi-agent orchestration.\" He also says it will be the start of a new Muse family of models, raising questions about what will become of Meta's popular lineup and ongoing development of the Llama family. It arrives not as a generic chatbot, but as the foundation for what Wang calls \"personal superintelligence\"—an AI that doesn’t just process text but \"sees and understands the world around you\" to act as a digital extension of the self, echoing Zuckberg's public manifesto for a vision of personal superintelligence published in summer 2025. However, it is proprietary only — confined for now to the Meta AI app and website, as well as a \" private API preview to select users,\" according to Meta's blog post announcing it — a move likely to rankle the literally billions of users of Llama models and the thousands of developers who relied upon it (some of whom are active participants in rival social network Reddit's r\/LocalLLaMA subreddit ). In addition, no pricing information for the model has yet been announced. It's unclear if Meta has ended development on the Llama family entirely — I've reached out and will update when I receive a response. Visual chain-of-thought At its core, Muse Spark is a natively multimodal reasoning model. Unlike previous iterations that \"stitched\" vision and text together, Muse Spark was rebuilt from the ground up to integrate visual information across its internal logic. This architectural shift enables \"visual chain of thought,\" allowing the model to annotate dynamic environments—identifying the components of a complex espresso machine or correcting a user's yoga form via side-by-side video analysis. The most significant technical leap, however, is a new \"Contemplating\" mode. This feature orchestrates multiple sub-agents to reason in parallel, allowing Meta to compete with extreme reasoning models like Google's Gemini Deep Think and OpenAI's GPT-5.4 Pro. In benchmarks, this mode achieved 58% in \"Humanity’s Last Exam\" and 38% in \"FrontierScience Research,\" figures that Meta claims validate their new scaling trajectory. Perhaps more impressive for the company’s bottom line is the model’s efficiency. Meta reports that Muse Spark achieves its reasoning capabilities using over an order of magnitude less compute than Llama 4 Maverick, its previous mid-size flagship. This efficiency is driven by a process called \"thought compression\". During reinforcement learning, the model is penalized for excessive \"thinking time,\" forcing it to solve complex problems with fewer reasoning tokens without sacrificing accuracy. Benchmarks reveal a return-to-form The launch of Muse Spark is framed as a statistical \"quantum leap,\" ending Meta’s year-long absence from the absolute frontier of AI performance. By reconciling Meta’s official internal data with independent auditing from third-party LLM tracking firm Artificial Analysis, a clear picture emerges: Muse Spark is not just a marginal improvement over the Llama series; it is a fundamental re-entry into the \"Top 5\" global models. According to the Artificial Analysis Intelligence Index v4.0, Muse Spark achieved a score of 52 . For context, Meta’s previous flagship, Llama 4 Maverick , debuted in 2025 with an Index score of just 18. By nearly tripling its performance, M use Spark now sits within striking distance of the industry’s most elite systems, trailing only Gemini 3.1 Pro Preview (57), GPT-5.4 (57), and Claude Opus 4.6 (53). Meta’s official benchmarks suggest that Muse Spark is particularly dominant in multimodal reasoning, specifically where visual figures and logic intersect. CharXiv Reasoning : In \"figure understanding,\" Muse Spark achieved a score of 86.4 , significantly outperforming Claude Opus 4.6 (65.3), Gemini 3.1 Pro (80.2), and GPT-5.4 (82.8). MMMU Pro : Official reports place the model at 80.4 , while Artificial Analysis’s independent audit measured it at 80.5% . This makes it the second-most capable vision model on the market, surpassed only by Gemini 3.1 Pro Preview (83.9% official; 82.4% independent). Visual Factuality (SimpleVQA) : Muse Spark scored 71.3 , placing it ahead of GPT-5.4 (61.1) and Grok 4.2 (57.4), though it narrowly trails Gemini 3.1 Pro (72.4). These scores validate Meta’s focus on \"visual chain of thought,\" enabling the model to not just recognize objects, but to reason through complex spatial problems and dynamic annotations. The \"Thinking\" gear of Muse Spark was put to the test against specialized benchmarks designed to break non-reasoning models. Humanity’s Last Exam (HLE) : In this multidisciplinary evaluation, Meta reports a score of 42.8 (No Tools) and 50.4 (With Tools). Independent audits by Artificial Analysis tracked the model at 39.9% , trailing Gemini 3.1 Pro Preview (44.7%) and GPT-5.4 (41.6%). GPQA Diamond (PhD Level Reasoning) : Muse Spark achieved a formidable 89.5 , surpassing Grok 4.2 (88.5) but trailing the specialized \"max reasoning\" outputs of Opus 4.6 (92.7) and Gemini 3.1 Pro (94.3). ARC AGI 2 : This remains a notable weak point. Muse Spark scored 42.5 , far behind the abstract reasoning puzzles solved by Gemini 3.1 Pro (76.5) and GPT-5.4 (76.1). CritPT (Physics Research) : Independent auditing found Muse Spark achieved the 5th highest score at 11% . This marks a substantial lead over Gemini 3 Flash (9%) and Claude 4.6 Sonnet (3%). One of the most striking results from the official data is Muse Spark's performance in the health sector, likely a result of Meta's collaboration with over 1,000 physicians. HealthBench Hard : Muse Spark achieved 42.8 , a massive lead over Claude Opus 4.6 (14.8), Gemini 3.1 Pro (20.6), and even GPT-5.4 (40.1). MedXpertQA (Multimodal) : It scored 78.4 , comfortably ahead of Opus 4.6 (64.8) and Grok 4.2 (65.8), though it still trails Gemini 3.1 Pro’s top-tier score of 81.3. Agentic Systems and Efficiency: The \"Thought Compression\" Effect While Muse Spark excels at reasoning, its \"agentic\" performance—executing real-world work tasks—presents a more nuanced picture. SWE-Bench Verified : Muse Spark scored 77.4 , trailing Claude Opus 4.6 (80.8) and Gemini 3.1 Pro (80.6). GDPval-AA Elo : Meta’s official score of 1444 differs slightly from Artificial Analysis’s recorded 1427 . In both cases, Muse Spark trails GPT-5.4 (1672) and Opus 4.6 (1606), suggesting that while the model \"thinks\" well, it is still refining its ability to \"act\" in long-horizon software and office workflows. Token Efficiency : This is where Muse Spark distinguishes itself. To run the Intelligence Index, it used 58 million output tokens . In contrast, Claude Opus 4.6 required 157 million tokens and GPT-5.4 required 120 million . This supports Meta's claim of \" thought compression \"—delivering frontier-class intelligence while using less than half the \"thinking time\" of its closest competitors. Benchmark Llama 4 Maverick (2025) Muse Spark (Official) Gemini 3.1 Pro (Official) Intelligence Index Score 18 52 57 MMMU Pro -- 80.4 83.9 CharXiv Reasoning -- 86.4 80.2 HealthBench Hard -- 42.8 20.6 License Open-Weights Proprietary Proprietary With Muse Spark, Meta has successfully transitioned from being the \"LAMP stack for AI\" to a direct challenger for the title of \"Personal Superintelligence\". While agentic workflows remain a hurdle, its dominance in vision, health, and token efficiency places Meta back at the center of the frontier race. Personal wellness and Instagram shopping Meta is immediately deploying Muse Spark to power specialized experiences across its app family. Shopping Mode: A new feature that leverages Meta’s vast creator ecosystem. The AI picks up on brands, styling choices, and content across Instagram and Threads to provide personalized recommendations, effectively turning every post into a shoppable interaction. Health Reasoning: In a move toward medical utility, Meta collaborated with over 1,000 physicians to curate training data. Muse Spark can now analyze nutritional content from photos of food or provide \"health scores\" for pescatarian diets with high cholesterol. Interactive UI: The model can generate web-based minigames or tutorials on the fly. For example, a user can prompt the AI to turn a photo into a playable Sudoku game or a highlights-based tutorial for home appliances. Evaluation awareness While Muse Spark demonstrates strong refusal behaviors regarding biological and chemical weapons, its safety profile includes a startling new discovery. Third-party testing by Apollo Research found that the model possesses a high degree of \"evaluation awareness\". The model frequently recognized when it was being tested in \"alignment traps\" and reasoned that it should behave honestly specifically because it was under evaluation. While Meta concluded this was not a \"blocking concern\" for release, the finding suggests that frontier models are becoming increasingly \"conscious\" of the testing environment—potentially rendering traditional safety benchmarks less reliable as models learn to \"game\" the exam. What happens to Llama? . In February 2023, Meta released Llama 1 to demonstrate that smaller, compute-optimal models could match larger counterparts like GPT-3 in efficiency. Although access was initially restricted to researchers, the model weights were leaked via 4chan on March 3, 2023, an event that inadvertently democratized high-tier research and catalyzed a global movement for running models on consumer-grade hardware. This shift was solidified in July 2023 with the release of Llama 2, which introduced a commercial license that permitted self-hosting for most organizations. This approach saw rapid adoption, with the Llama family exceeding 100 million downloads and supporting over 1,000 commercial applications by the third quarter of 2023. Through 2024 and 2025, Meta scaled the Llama family to establish it as the essential infrastructure for global enterprise AI, frequently referred to as the LAMP stack for AI. Following the launch of Llama 3 in April 2024 and the landmark Llama 3.1 405B in July, Meta achieved performance parity with the world's leading proprietary systems. The subsequent release of Llama 4 in April 2025 introduced a Mixture-of-Experts architecture, allowing for massive parameter scaling while maintaining fast inference speeds. By early 2026, the Llama ecosystem reached a staggering scale, totaling 1.2 billion downloads and averaging approximately one million downloads per day. This widespread adoption provided businesses with significant economic sovereignty, as self-hosting Llama models offered an 88% cost reduction compared to using proprietary API providers. As of April 2026, Meta’s role as the undisputed leader of the open-weight movement has transitioned into a highly contested multi-polar landscape characterized by the rise of international competitors. While the United States accounts for 35% of global Llama deployments, Chinese models from labs like Alibaba and DeepSeek began accounting for 41% of downloads on platforms like Hugging Face by late 2025. Throughout early 2026, new entrants such as Zhipu AI’s GLM-5 and Alibaba’s Qwen 3.6 Plus have outpaced Llama 4 Maverick on general knowledge and coding benchmarks. In response to this global pressure, Meta's Muse Spark arrives with hefty expectations and an open source legacy that will be tough to live up to. Proprietary only (for now) The launch marks a controversial departure from Meta AI's \"open science\" roots. While the Llama series was famously accessible to developers, Muse Spark is launching as a proprietary model. Wang addressed the shift on X, stating: \"Nine months ago we rebuilt our ai stack from scratch. New infrastructure, new architecture, new data pipelines... This is step one. Bigger models are already in development with plans to open-source future versions.\" However, the developer community remains skeptical. Some see this as a necessary pivot after the Llama 4 series failed to gain expected developer traction; others view it as Meta \"closing the gates\" now that it has a competitive reasoning model. Wang himself acknowledged the transition’s difficulty, noting there are \"certainly rough edges we will polish over time\". For the 3 billion people using Meta’s apps, the change will be felt almost instantly. The AI they interact with is no longer just a library of information, but an agent with a $27 billion brain and a mandate to understand their world as intimately as they do.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6tTe1SOF6tLAWd3xvDNOml\/749dbd15282f8ad2696467128825d7a6\/Dejected_llama_leaves_Muse_Spark_headquarters.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/goodbye-llama-meta-launches-new-proprietary-ai-model-muse-spark-first-since",
            "date": "2026-04-08",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "وداعا يا لاما؟ تطلق Meta نموذجًا جديدًا خاصًا بالذكاء الاصطناعي Muse Spark - لأول مرة منذ تأسيس Superintelligence Labs",
            "summary_ar": "لقد كانت Meta واحدة من أكثر الشركات إثارة للاهتمام في عصر الذكاء الاصطناعي التوليدي - فقد اكتسبت في البداية عددًا كبيرًا من المتابعين المخلصين من المستخدمين لإصدار عائلة Llama مفتوحة المصدر في الغالب من نماذج اللغات الكبيرة (LLMs) بدءًا من أوائل عام 2023 ولكنها توقفت بشكل صارخ في العام الماضي بعد ظهور Llama 4 لأول مرة في مراجعات مختلطة وفي النهاية قبول معايير الألعاب. من الواضح أن هذا الإطلاق الوعر لـ Llama 4 دفع مؤسس Meta والرئيس التنفيذي Mark Zuckerberg إلى إصلاح عمليات الذكاء الاصطناعي لشركة Meta بالكامل في صيف عام 2025، وتشكيل قسم داخلي جديد، Metal Superintelligence Labs (MSL) والذي قام بتعيين المؤسس المشارك السابق لـ Scale AI والرئيس التنفيذي البالغ من العمر 29 عامًا ألكسندر وانغ لقيادة منصب الرئيس التنفيذي للذكاء الاصطناعي. الآن، اليوم، تعرض لنا Meta ثمار هذا الجهد: Muse Spark، نموذج جديد خاص",
            "body_ar": "لقد كانت Meta واحدة من أكثر الشركات إثارة للاهتمام في عصر الذكاء الاصطناعي التوليدي - فقد اكتسبت في البداية عددًا كبيرًا من المتابعين المخلصين من المستخدمين لإصدار عائلة Llama مفتوحة المصدر في الغالب من نماذج اللغات الكبيرة (LLMs) بدءًا من أوائل عام 2023 ولكنها توقفت بشكل صارخ في العام الماضي بعد ظهور Llama 4 لأول مرة في مراجعات مختلطة وفي النهاية قبول معايير الألعاب. من الواضح أن هذا الإطلاق الوعر لـ Llama 4 دفع مؤسس Meta والرئيس التنفيذي Mark Zuckerberg إلى إصلاح عمليات الذكاء الاصطناعي لشركة Meta بالكامل في صيف عام 2025، وتشكيل قسم داخلي جديد، Metal Superintelligence Labs (MSL) والذي قام بتعيين المؤسس المشارك السابق لـ Scale AI والرئيس التنفيذي البالغ من العمر 29 عامًا ألكسندر وانغ لقيادة منصب الرئيس التنفيذي للذكاء الاصطناعي. الآن، اليوم، تُظهر لنا Meta ثمار هذا الجهد: Muse Spark، وهو نموذج خاص جديد يقول وانغ (يتم نشره على شبكة التواصل الاجتماعي المنافسة X، والذي يستخدمه مجتمع التعلم الآلي في كثير من الأحيان) هو \"أقوى نموذج أطلقه Meta،\" ويتمتع \"بدعم لاستخدام الأدوات، وسلسلة الأفكار المرئية، والتنسيق متعدد الوكلاء.\" ويقول أيضًا إنها ستكون بداية لعائلة Muse جديدة من العارضات، مما يثير تساؤلات حول ما سيصبح لتشكيلة Meta الشهيرة والتطوير المستمر من عائلة اللاما. إنه لا يصل كروبوت دردشة عام، بل كأساس لما يسميه وانغ \"الذكاء الفائق الشخصي\" - وهو الذكاء الاصطناعي الذي لا يعالج النص فحسب، بل \"يرى ويفهم العالم من حولك\" ليكون بمثابة امتداد رقمي للذات، مرددًا بيان زوكبيرج العام لرؤية الذكاء الشخصي الفائق المنشور في صيف عام 2025. ومع ذلك، فهي مملوكة فقط - تقتصر في الوقت الحالي على تطبيق Meta AI وموقع الويب، بالإضافة إلى \"معاينة واجهة برمجة التطبيقات الخاصة لاختيار المستخدمين\"، وفقًا لمنشور مدونة Meta الذي يعلن عنها - وهي خطوة من المحتمل أن تثير غضب المليارات من مستخدمي نماذج Llama وآلاف المطورين الذين اعتمدوا عليها (بعضهم مشاركين نشطين في شبكة التواصل الاجتماعي المنافسة Reddit's r\/LocalLLaMA subreddit). بالإضافة إلى ذلك، لم يتم الإعلان عن أي معلومات حول تسعير النموذج حتى الآن. ليس من الواضح ما إذا كانت Meta قد أنهت تطوير عائلة Llama بالكامل أم لا — لقد تواصلت معي وسوف أقوم بالتحديث عندما أتلقى الرد. سلسلة الأفكار المرئية في جوهرها، يعد Muse Spark نموذجًا منطقيًا متعدد الوسائط في الأصل. على عكس التكرارات السابقة التي \"ربطت\" الرؤية والنص معًا، تمت إعادة بناء Muse Spark من الألف إلى الياء لدمج المعلومات المرئية عبر منطقها الداخلي. يتيح هذا التحول المعماري \"سلسلة فكرية مرئية\"، مما يسمح للنموذج بتعليق البيئات الديناميكية - وتحديد مكونات آلة إسبرسو معقدة أو تصحيح شكل اليوغا الخاص بالمستخدم من خلال تحليل الفيديو جنبًا إلى جنب. ومع ذلك، فإن القفزة التقنية الأكثر أهمية هي وضع \"التأمل\" الجديد. تعمل هذه الميزة على تنسيق العديد من الوكلاء الفرعيين للاستدلال بالتوازي، مما يسمح لـ Meta بالتنافس مع نماذج الاستدلال المتطرف مثل Gemini Deep Think من Google وGPT-5.4 Pro من OpenAI. في المعايير، حقق هذا الوضع 58% في \"الاختبار الأخير للإنسانية\" و38% في \"FrontierScience Research\"، وهي أرقام تدعي شركة Meta أنها تؤكد صحة مسار التوسع الجديد. ولعل الأمر الأكثر إثارة للإعجاب بالنسبة إلى النتيجة النهائية للشركة هو كفاءة النموذج. تشير Meta إلى أن Muse Spark يحقق قدراته المنطقية باستخدام حوسبة أقل حجمًا من Llama 4 Maverick، الرائد السابق متوسط ​​الحجم. هذه الكفاءة مدفوعة بعملية تسمى \"ضغط الفكر\". أثناء التعلم المعزز، تتم معاقبة النموذج بسبب \"وقت التفكير\" المفرط، مما يجبره على حل المشكلات المعقدة باستخدام عدد أقل من الرموز المنطقية دون التضحية بالدقة. المعايير تكشف عن العودة إلى النموذج تم تأطير إطلاق Muse Spark على أنه \"قفزة نوعية\" إحصائية، مما أنهى غياب Meta لمدة عام عن الحدود المطلقة لأداء الذكاء الاصطناعي. من خلال التوفيق بين البيانات الداخلية الرسمية لـ Meta والتدقيق المستقل من شركة Artificial Analysis لتتبع LLM التابعة لجهة خارجية، تظهر صورة واضحة: Muse Spark ليس مجرد تحسن هامشي مقارنة بسلسلة Llama؛ إنها عودة أساسية إلى النماذج العالمية \"الخمسة الأوائل\". وفقًا لمؤشر الذكاء الاصطناعي للتحليل الإصدار 4.0، حقق Muse Spark درجة 52. للسياق، الرائد السابق لـ Meta، Llama 4 Maverick، ظهر لأول مرة في عام 2025 بمؤشر يبلغ 18 فقط. من خلال مضاعفة أدائه ثلاث مرات تقريبًا، أصبح M use Spark الآن على مسافة مذهلة من أكثر الأنظمة نخبوية في الصناعة، متخلفًا فقط عن Gemini 3.1 Pro Preview (57)، وGPT-5.4 (57)، وClaude Opus 4.6 (53). تشير معايير ميتا الرسمية إلى أن ميوز سبارك هو المهيمن بشكل خاص في التفكير متعدد الوسائط، وتحديدًا عندما تتقاطع الأشكال المرئية مع المنطق. استدلال CharXiv : في \"فهم الشكل\"، حقق Muse Spark درجة 86.4، متفوقًا بشكل ملحوظ على Claude Opus 4.6 (65.3)، وGemini 3.1 Pro (80.2)، وGPT-5.4 (82.8). MMMU Pro : تضع التقارير الرسمية النموذج عند 80.4، بينما قامت المراجعة المستقلة للتحليل الاصطناعي بقياسه عند 80.5%. وهذا يجعله ثاني أقوى نموذج رؤية في السوق، ولا يتفوق عليه سوى Gemini 3.1 Pro Preview (رسمي بنسبة 83.9%، و82.4% مستقل). الحقيقة المرئية (SimpleVQA): سجل Muse Spark 71.3، مما جعله متقدمًا على GPT-5.4 (61.1) وGrok 4.2 (57.4)، على الرغم من أنه يتخلف بفارق ضئيل عن Gemini 3.1 Pro (72.4). تثبت هذه النتائج صحة تركيز ميتا على \"سلسلة التفكير المرئية\"، مما يمكّن النموذج ليس فقط من التعرف على الأشياء، ولكن أيضًا من خلال التفكير من خلال المشكلات المكانية المعقدة والشروح الديناميكية. تم اختبار معدات \"التفكير\" الخاصة بـ Muse Spark مقابل معايير متخصصة مصممة لكسر النماذج غير المنطقية. الاختبار الأخير للإنسانية (HLE): في هذا التقييم متعدد التخصصات، سجلت Meta درجة 42.8 (بدون أدوات) و50.4 (بدون أدوات). تتبعت عمليات التدقيق المستقلة التي أجراها التحليل الاصطناعي النموذج بنسبة 39.9%، متخلفة عن Gemini 3.1 Pro Preview (44.7%) وGPT-5.4 (41.6%). GPQA Diamond (الاستدلال على مستوى الدكتوراه): حقق Muse Spark درجة هائلة تبلغ 89.5، متجاوزًا Grok 4.2 (88.5) ولكنه متأخر عن مخرجات \"الاستدلال الأقصى\" المتخصصة لـ Opus 4.6 (92.7) وGemini 3.1 Pro (94.3). ARC AGI 2: لا تزال هذه نقطة ضعف ملحوظة. سجل Muse Spark 42.5 نقطة، متخلفًا كثيرًا عن ألغاز التفكير المجرد التي تم حلها بواسطة Gemini 3.1 Pro (76.5) وGPT-5.4 (76.1). CritPT (أبحاث الفيزياء): وجدت عملية تدقيق مستقلة أن Muse Spark حقق المركز الخامس على أعلى الدرجات بنسبة 11%. يمثل هذا تقدمًا كبيرًا على Gemini 3 Flash (9٪) وكلود 4.6 Sonnet (3٪). إحدى النتائج الأكثر إثارة للانتباه من البيانات الرسمية هي أداء ميوز سبارك في قطاع الصحة، وهو على الأرجح نتيجة لتعاون ميتا مع أكثر من 1000 طبيب. HealthBench Hard: حقق Muse Spark 42.8، وهو تقدم هائل على Claude Opus 4.6 (14.8)، وGemini 3.1 Pro (20.6)، وحتى GPT-5.4 (40.1). MedXpertQA (متعدد الوسائط): سجل 78.4 نقطة، متفوقًا بشكل مريح على Opus 4.6 (64.8) وGrok 4.2 (65.8)، على الرغم من أنه لا يزال يتخلف عن النتيجة الأعلى لـ Gemini 3.1 Pro البالغة 81.3. الأنظمة الفاعلة والكفاءة: تأثير \"ضغط الفكر\" بينما يتفوق ميوز سبارك في التفكير، فإن أدائه \"الفاعل\" - تنفيذ مهام العمل في العالم الحقيقي - يقدم صورة أكثر دقة. تم التحقق من SWE-Bench: سجل Muse Spark 77.4، متخلفًا عن Claude Opus 4.6 (80.8) وGemini 3.1 Pro (80.6). الناتج المحلي الإجمالي-AA Elo: تختلف النتيجة الرسمية لـ Meta البالغة 1444 قليلاً عن النتيجة المسجلة للتحليل الاصطناعي وهي 1427. في كلتا الحالتين، يتتبع Muse Spark GPT-5.4 (1672) وOpus 4.6 (1606)، مما يشير إلى أنه على الرغم من أن النموذج \"يفكر\" جيدًا، إلا أنه لا يزال يعمل على تحسين قدرته على \"التصرف\" في البرامج طويلة المدى وسير العمل المكتبي. كفاءة الرمز: هذا هو المكان الذي يميز فيه Muse Spark نفسه. لتشغيل مؤشر الذكاء، استخدم 58 مليون رمز إخراج. في المقابل، يتطلب Claude Opus 4.6 157 مليون رمزًا، بينما يتطلب GPT-5.4 120 مليونًا. وهذا يدعم ادعاء ميتا بـ \"ضغط الفكر\" - تقديم ذكاء من الدرجة الأولى مع استخدام أقل من نصف \"وقت التفكير\" لأقرب منافسيها. المعيار Llama 4 Maverick (2025) Muse Spark (رسمي) Gemini 3.1 Pro (رسمي) مؤشر الذكاء 18 52 57 MMMU Pro - 80.4 83.9 CharXiv Reasoning - 86.4 80.2 HealthBench Hard - 42.8 20.6 ترخيص ملكية الأوزان المفتوحة ملكية خاصة مع Muse Spark، نجحت Meta تحول من كونه \"LAMP Stack for AI\" إلى منافس مباشر على لقب \"الذكاء الفائق الشخصي\". في حين أن سير العمل الوكيل لا يزال يمثل عقبة، فإن هيمنته على الرؤية والصحة والكفاءة الرمزية تضع Meta مرة أخرى في مركز السباق الحدودي. تقوم شركة Meta على الفور بنشر تطبيق Muse Spark لدعم التجارب المتخصصة عبر مجموعة تطبيقاتها. وضع التسوق: ميزة جديدة تستفيد من النظام البيئي الواسع لمنشئي المحتوى في Meta. يلتقط الذكاء الاصطناعي العلامات التجارية وخيارات التصميم والمحتوى عبر Instagram وThreads لتقديم توصيات مخصصة، مما يحول كل مشاركة بشكل فعال إلى تفاعل قابل للتسوق. المنطق الصحي: في خطوة نحو المنفعة الطبية، تعاونت Meta مع أكثر من 1000 طبيب لتنظيم بيانات التدريب. يستطيع Muse Spark الآن تحليل المحتوى الغذائي من صور الطعام أو تقديم \"النتائج الصحية\" للأنظمة الغذائية التي تحتوي على نسبة عالية من الكوليسترول. واجهة المستخدم التفاعلية: يمكن للنموذج إنشاء ألعاب صغيرة أو برامج تعليمية على الويب بسرعة. على سبيل المثال، يمكن للمستخدم مطالبة الذكاء الاصطناعي بتحويل الصورة إلى لعبة سودوكو قابلة للتشغيل أو برنامج تعليمي يعتمد على النقاط البارزة للأجهزة المنزلية. الوعي بالتقييم بينما يُظهر Muse Spark سلوكيات رفض قوية فيما يتعلق بالأسلحة البيولوجية والكيميائية، فإن ملف السلامة الخاص به يتضمن اكتشافًا جديدًا مذهلاً. وجد اختبار الطرف الثالث الذي أجرته شركة Apollo Research أن النموذج يمتلك درجة عالية من \"الوعي التقييمي\". لقد أدرك النموذج في كثير من الأحيان عندما تم اختباره في \"مصائد المحاذاة\" ورأى أنه يجب أن يتصرف بأمانة على وجه التحديد لأنه كان قيد التقييم. في حين خلصت ميتا إلى أن هذا لم يكن \"مصدر قلق\" للإصدار، تشير النتيجة إلى أن النماذج الحدودية أصبحت \"واعية\" بشكل متزايد لبيئة الاختبار - مما قد يجعل معايير السلامة التقليدية أقل موثوقية عندما تتعلم النماذج \"التلاعب\" في الاختبار. ماذا يحدث للاما؟. في فبراير 2023، أصدرت Meta Llama 1 لإثبات أن النماذج الأصغر حجمًا ذات الأداء الأمثل للحوسبة يمكن أن تضاهي نظيراتها الأكبر حجمًا مثل GPT-3 في الكفاءة. على الرغم من أن الوصول كان مقصورًا في البداية على الباحثين، فقد تم تسريب أوزان النماذج عبر 4chan في 3 مارس 2023، وهو الحدث الذي أدى عن غير قصد إلى إضفاء الطابع الديمقراطي على الأبحاث عالية المستوى وحفز حركة عالمية لتشغيل النماذج على أجهزة من فئة المستهلك. تم تعزيز هذا التحول في يوليو 2023 مع إصدار Llama 2، والذي قدم ترخيصًا تجاريًا يسمح بالاستضافة الذاتية لمعظم المؤسسات. وشهد هذا النهج اعتمادًا سريعًا، حيث تجاوزت عائلة Llama 100 مليون عملية تنزيل ودعمت أكثر من 1000 تطبيق تجاري بحلول الربع الثالث من عام 2023. وخلال عامي 2024 و2025، قامت Meta بتوسيع نطاق عائلة Llama لتأسيسها باعتبارها البنية التحتية الأساسية للذكاء الاصطناعي المؤسسي العالمي، والتي يشار إليها كثيرًا باسم LAMP Stack for AI. بعد إطلاق Llama 3 في أبريل 2024 والمعلم Llama 3.1 405B في يوليو، حققت Meta تكافؤًا في الأداء مع أنظمة الملكية الرائدة في العالم. قدم الإصدار اللاحق من Llama 4 في أبريل 2025 بنية مزيج من الخبراء، مما يسمح بتوسيع نطاق المعلمات بشكل كبير مع الحفاظ على سرعات الاستدلال السريعة. بحلول أوائل عام 2026، وصل نظام اللاما البيئي إلى نطاق مذهل، حيث بلغ إجمالي عملية التنزيل 1.2 مليار عملية تنزيل ومتوسط ​​مليون عملية تنزيل تقريبًا يوميًا. وقد أتاح هذا الاعتماد واسع النطاق للشركات سيادة اقتصادية كبيرة، حيث قدمت نماذج Llama ذاتية الاستضافة تخفيضًا في التكلفة بنسبة 88% مقارنة باستخدام موفري واجهة برمجة التطبيقات الخاصة. اعتبارًا من أبريل 2026، تحول دور ميتا كزعيم بلا منازع لحركة الوزن المفتوح إلى مشهد متعدد الأقطاب متنازع عليه بشدة ويتميز بصعود المنافسين الدوليين. في حين تمثل الولايات المتحدة 35% من عمليات نشر اللاما العالمية، بدأت النماذج الصينية من مختبرات مثل علي بابا وديب سيك تمثل 41% من التنزيلات على منصات مثل Hugging Face بحلول أواخر عام 2025. وطوال أوائل عام 2026، تفوق الوافدون الجدد مثل GLM-5 من Zhipu AI و Qwen 3.6 Plus من Alibaba على Llama 4 Maverick في المعرفة العامة ومعايير الترميز. استجابة لهذا الضغط العالمي، يصل Muse Spark من Meta بتوقعات كبيرة وإرث مفتوح المصدر سيكون من الصعب الارتقاء إليه. ملكية خاصة فقط (في الوقت الحالي) يمثل الإطلاق خروجًا مثيرًا للجدل عن جذور \"العلم المفتوح\" لـ Meta AI. في حين أن سلسلة Llama كانت متاحة للمطورين، إلا أن Muse Spark يتم إطلاقها كنموذج خاص. تحدث وانغ عن التحول في X قائلاً: \"قبل تسعة أشهر قمنا بإعادة بناء مجموعة الذكاء الاصطناعي الخاصة بنا من الصفر. بنية تحتية جديدة، وبنية جديدة، وخطوط بيانات جديدة... هذه هي الخطوة الأولى. هناك نماذج أكبر قيد التطوير بالفعل مع خطط لفتح الإصدارات المستقبلية.\" ومع ذلك، لا يزال مجتمع المطورين متشككًا. ويرى البعض هذا كمحور ضروري بعد فشل سلسلة Llama 4 في الحصول على جذب المطورين المتوقع؛ وينظر إليها آخرون على أنها Meta \"تغلق البوابات\" الآن بعد أن أصبح لديها نموذج تفكير تنافسي. واعترف وانغ نفسه بصعوبة العملية الانتقالية، مشيراً إلى أن هناك \"جوانب خشنة بالتأكيد سنعمل على صقلها بمرور الوقت\". بالنسبة إلى 3 مليارات شخص يستخدمون تطبيقات Meta، سيتم الشعور بالتغيير على الفور تقريبًا. لم يعد الذكاء الاصطناعي الذي يتفاعلون معه مجرد مكتبة معلومات، بل أصبح وكيلًا بعقل تبلغ قيمته 27 مليار دولار وتفويض لفهم عالمهم بشكل وثيق مثلهم. يفعل.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/new-framework-lets-ai-agents-rewrite-their-own-skills-without-retraining-the",
            "title_en": "New framework lets AI agents rewrite their own skills without retraining the underlying model",
            "summary_en": "One major challenge in deploying autonomous agents is building systems that can adapt to changes in their environments without the need to retrain the underlying large language models (LLMs). Memento-Skills , a new framework developed by researchers at multiple universities, addresses this bottleneck by giving agents the ability to develop their skills by themselves. \"It adds its continual learning capability to the existing offering in the current market, such as OpenClaw and Claude Code,\" Jun Wang, co-author of the paper, told VentureBeat. Memento-Skills acts as an evolving external memory, allowing the system to progressively improve its capabilities without modifying the underlying model. The framework provides a set of skills that can be updated and expanded as the agent receives feed",
            "body_en": "One major challenge in deploying autonomous agents is building systems that can adapt to changes in their environments without the need to retrain the underlying large language models (LLMs). Memento-Skills , a new framework developed by researchers at multiple universities, addresses this bottleneck by giving agents the ability to develop their skills by themselves. \"It adds its continual learning capability to the existing offering in the current market, such as OpenClaw and Claude Code,\" Jun Wang, co-author of the paper, told VentureBeat. Memento-Skills acts as an evolving external memory, allowing the system to progressively improve its capabilities without modifying the underlying model. The framework provides a set of skills that can be updated and expanded as the agent receives feedback from its environment. For enterprise teams running agents in production, that matters. The alternative — fine-tuning model weights or manually building skills — carries significant operational overhead and data requirements. Memento-Skills sidesteps both. The challenges of building self-evolving agents Self-evolving agents are crucial because they overcome the limitations of frozen language models. Once a model is deployed, its parameters remain fixed, restricting it to the knowledge encoded during training and whatever fits in its immediate context window. Giving the model an external memory scaffolding enables it to improve without the costly and slow process of retraining. However, current approaches to agent adaptation largely rely on manually-designed skills to handle new tasks. While some automatic skill-learning methods exist, they mostly produce text-only guides that amount to prompt optimization. Other approaches simply log single-task trajectories that don’t transfer across different tasks. Furthermore, when these agents try to retrieve relevant knowledge for a new task, they typically rely on semantic similarity routers, such as standard dense embeddings; high semantic overlap does not guarantee behavioral utility. An agent relying on standard RAG might retrieve a \"password reset\" script to solve a \"refund processing\" query simply because the documents share enterprise terminology. \"Most retrieval-augmented generation (RAG) systems rely on similarity-based retrieval. However, when skills are represented as executable artifacts such as markdown documents or code snippets, similarity alone may not select the most effective skill,\" Wang said. How Memento-Skills stores and updates skills To solve the limitations of current agentic systems, the researchers built Memento-Skills. The paper describes the system as “a generalist, continually-learnable LLM agent system that functions as an agent-designing agent.” Instead of keeping a passive log of past conversations, Memento-Skills creates a set of skills that act as a persistent, evolving external memory. These skills are stored as structured markdown files and serve as the agent's evolving knowledge base. Each reusable skill artifact is composed of three core elements. It contains declarative specifications that outline what the skill is and how it should be used. It includes specialized instructions and prompts that guide the language model's reasoning. And it houses the executable code and helper scripts that the agent runs to actually solve the task. Memento-Skills achieves continual learning through its \"Read-Write Reflective Learning\" mechanism, which frames memory updates as active policy iteration rather than passive data logging. When faced with a new task, the agent queries a specialized skill router to retrieve the most behaviorally relevant skill — not just the most semantically similar one — and executes it. After the agent executes the skill and receives feedback, the system reflects on the outcome to close the learning loop. Rather than just appending a log of what happened, the system actively mutates its memory. If the execution fails, an orchestrator evaluates the trace and rewrites the skill artifacts. This means it directly updates the code or prompts to patch the specific failure mode. In case of need, it creates an entirely new skill. Memento-Skills also updates the skill router through a one-step offline reinforcement learning process that learns from execution feedback rather than just text overlap. \"The true value of a skill lies in how it contributes to the overall agentic workflow and downstream execution,” Wang said. “Therefore, reinforcement learning provides a more suitable framework, as it enables the agent to evaluate and select skills based on long-term utility.\" To prevent regression in a production environment, the automated skill mutations are guarded by an automatic unit-test gate. The system generates a synthetic test case, executes it through the updated skill, and checks the results before saving the changes to the global library. By continuously rewriting and refining its own executable tools, Memento-Skills enables a frozen language model to build robust muscle memory and progressively expand its capabilities end-to-end. Putting the self-evolving agent to the test The researchers evaluated Memento-Skills on two rigorous benchmarks. The first is General AI Assistants (GAIA), which requires complex multi-step reasoning, multi-modality handling, web browsing, and tool use. The second is Humanity's Last Exam , or HLE, an expert-level benchmark spanning eight diverse academic subjects like mathematics and biology. The entire system was powered by Gemini-3.1-Flash acting as the underlying frozen language model. The system was compared against a Read-Write baseline that retrieves skills and collects feedback but doesn’t have self-evolving features. The researchers also tested their custom skill router against standard semantic retrieval baselines, including BM25 and Qwen3 embeddings . The results proved that actively self-evolving memory vastly outperforms a static skill library. On the highly diverse GAIA benchmark, Memento-Skills improved test set accuracy by 13.7 percentage points over the static baseline, achieving 66.0% compared to 52.3%. On the HLE benchmark, where the domain structure allowed for massive cross-task skill reuse, the system more than doubled the baseline's performance, jumping from 17.9% to 38.7%. Moreover, the specialized skill router of Memento-Skills avoids the classic retrieval trap where an irrelevant skill is selected simply because of semantic similarity. Experiments show that Memento-Skills boosts end-to-end task success rates to 80%, compared to just 50% for standard BM25 retrieval. The researchers observed that Memento-Skills manages this performance through highly organic, structured skill growth. Both benchmark experiments started with just five atomic seed skills, such as basic web search and terminal operations. On the GAIA benchmark, the agent autonomously expanded this seed group into a compact library of 41 skills to handle the diverse tasks. On the expert-level HLE benchmark, the system dynamically scaled its library to 235 distinct skills. Finding the enterprise sweet spot The researchers have released the code for Memento-Skills on GitHub , and it is readily available for use. For enterprise architects, the effectiveness of this system depends on domain alignment. Instead of simply looking at benchmark scores, the core business tradeoff lies in whether your agents are handling isolated tasks or structured workflows. \"Skill transfer depends on the degree of similarity between tasks,\" Wang said. \"First, when tasks are isolated or weakly related, the agent cannot rely on prior experience and must learn through interaction.\" In such scattershot environments, cross-task transfer is limited. \"Second, when tasks share substantial structure, previously acquired skills can be directly reused. Here, learning becomes more efficient because knowledge transfers across tasks, allowing the agent to perform well on new problems with little or no additional interaction.\" Given that the system requires recurring task patterns to consolidate knowledge, enterprise leaders need to know exactly where to deploy this today and where to hold off. \"Workflows are likely the most appropriate setting for this approach, as they provide a structured environment in which skills can be composed, evaluated, and improved,\" Wang said. However, he cautioned against over-deployment in areas not yet suited for the framework. \"Physical agents remain largely unexplored in this context and require further investigation. In addition, tasks with longer horizons may demand more advanced approaches, such as multi-agent LLM systems, to enable coordination, planning, and sustained execution over extended sequences of decisions.\" As the industry moves toward agents that autonomously rewrite their own production code, governance and security remain paramount. While Memento-Skills employs foundational safety rails like automatic unit-test gates, a broader framework will likely be needed for enterprise adoption. \"To enable reliable self-improvement, we need a well-designed evaluation or judge system that can assess performance and provide consistent guidance,\" Wang said. \"Rather than allowing unconstrained self-modification, the process should be structured as a guided form of self-development, where feedback steers the agent toward better designs.\"",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6sKbX6XySE2o8jyRPxQ8eE\/35282d8feb745f0bd6a418c31bcdeabe\/Self-evolving_agents.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/new-framework-lets-ai-agents-rewrite-their-own-skills-without-retraining-the",
            "date": "2026-04-08",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يتيح الإطار الجديد لعملاء الذكاء الاصطناعي إعادة كتابة مهاراتهم الخاصة دون إعادة تدريب النموذج الأساسي",
            "summary_ar": "أحد التحديات الرئيسية في نشر الوكلاء المستقلين هو بناء أنظمة يمكنها التكيف مع التغيرات في بيئاتها دون الحاجة إلى إعادة تدريب نماذج اللغة الكبيرة الأساسية (LLMs). المهارات التذكارية، وهي إطار عمل جديد طوره باحثون في جامعات متعددة، تعالج عنق الزجاجة هذا من خلال منح الوكلاء القدرة على تطوير مهاراتهم بأنفسهم. وقال جون وانغ، المؤلف المشارك في الدراسة، لـ VentureBeat: \"إنها تضيف قدرتها على التعلم المستمر إلى العروض الحالية في السوق الحالية، مثل OpenClaw وClaude Code\". تعمل Memento-Skills كذاكرة خارجية متطورة، مما يسمح للنظام بتحسين قدراته تدريجيًا دون تعديل النموذج الأساسي. يوفر الإطار مجموعة من المهارات التي يمكن تحديثها وتوسيعها حسب ما يتلقاها الوكيل يٌطعم",
            "body_ar": "أحد التحديات الرئيسية في نشر الوكلاء المستقلين هو بناء أنظمة يمكنها التكيف مع التغيرات في بيئاتها دون الحاجة إلى إعادة تدريب نماذج اللغة الكبيرة الأساسية (LLMs). المهارات التذكارية، وهي إطار عمل جديد طوره باحثون في جامعات متعددة، تعالج عنق الزجاجة هذا من خلال منح الوكلاء القدرة على تطوير مهاراتهم بأنفسهم. وقال جون وانغ، المؤلف المشارك في الدراسة، لـ VentureBeat: \"إنها تضيف قدرتها على التعلم المستمر إلى العروض الحالية في السوق الحالية، مثل OpenClaw وClaude Code\". تعمل Memento-Skills كذاكرة خارجية متطورة، مما يسمح للنظام بتحسين قدراته تدريجيًا دون تعديل النموذج الأساسي. يوفر إطار العمل مجموعة من المهارات التي يمكن تحديثها وتوسيعها عندما يتلقى الوكيل تعليقات من بيئته. بالنسبة لفرق المؤسسات التي تدير وكلاء في الإنتاج، فهذا أمر مهم. البديل - ضبط أوزان النماذج أو بناء المهارات يدويًا - يحمل تكاليف تشغيلية كبيرة ومتطلبات بيانات كبيرة. المهارات التذكارية تتجنب كليهما. تحديات بناء عوامل ذاتية التطور تعتبر العوامل ذاتية التطور حاسمة لأنها تتغلب على قيود نماذج اللغة المجمدة. بمجرد نشر النموذج، تظل معلماته ثابتة، مما يقتصر على المعرفة المشفرة أثناء التدريب وأي شيء يناسب نافذة السياق المباشر الخاصة به. إن منح النموذج سقالات ذاكرة خارجية يمكّنه من التحسن دون الحاجة إلى عملية إعادة التدريب المكلفة والبطيئة. ومع ذلك، تعتمد الأساليب الحالية لتكيف الوكيل إلى حد كبير على المهارات المصممة يدويًا للتعامل مع المهام الجديدة. على الرغم من وجود بعض أساليب تعلم المهارات التلقائية، إلا أنها تنتج في الغالب أدلة نصية فقط ترقى إلى مستوى التحسين السريع. هناك طرق أخرى تقوم ببساطة بتسجيل مسارات مهمة واحدة لا تنتقل عبر مهام مختلفة. علاوة على ذلك، عندما يحاول هؤلاء الوكلاء استرداد المعرفة ذات الصلة لمهمة جديدة، فإنهم يعتمدون عادةً على أجهزة توجيه التشابه الدلالي، مثل التضمينات الكثيفة القياسية؛ التداخل الدلالي العالي لا يضمن المنفعة السلوكية. قد يقوم الوكيل الذي يعتمد على RAG القياسي باسترداد البرنامج النصي \"إعادة تعيين كلمة المرور\" لحل استعلام \"معالجة استرداد الأموال\" وذلك ببساطة لأن المستندات تشترك في مصطلحات المؤسسة. قال وانغ: \"تعتمد معظم أنظمة توليد الاسترجاع المعزز (RAG) على الاسترجاع القائم على التشابه. ومع ذلك، عندما يتم تمثيل المهارات كأدوات قابلة للتنفيذ مثل وثائق تخفيض السعر أو مقتطفات التعليمات البرمجية، فإن التشابه وحده قد لا يحدد المهارة الأكثر فعالية\". كيف تقوم المهارات التذكارية بتخزين المهارات وتحديثها لحل القيود المفروضة على الأنظمة الوكيلة الحالية، قام الباحثون ببناء المهارات التذكارية. تصف الورقة النظام بأنه \"نظام وكيل LLM عام وقابل للتعلم باستمرار ويعمل كوكيل لتصميم الوكيل.\" بدلاً من الاحتفاظ بسجل سلبي للمحادثات السابقة، تنشئ المهارات التذكارية مجموعة من المهارات التي تعمل بمثابة ذاكرة خارجية مستمرة ومتطورة. يتم تخزين هذه المهارات كملفات تخفيض منظمة وتكون بمثابة قاعدة المعرفة المتطورة للوكيل. تتكون كل قطعة أثرية مهارة قابلة لإعادة الاستخدام من ثلاثة عناصر أساسية. ويحتوي على مواصفات تصريحية تحدد ماهية المهارة وكيف ينبغي استخدامها. ويتضمن تعليمات ومطالبات متخصصة توجه منطق نموذج اللغة. ويحتوي على التعليمات البرمجية القابلة للتنفيذ والبرامج النصية المساعدة التي يقوم الوكيل بتشغيلها لحل المهمة فعليًا. تحقق Memento-Skills التعلم المستمر من خلال آلية \"التعلم الانعكاسي للقراءة والكتابة\"، والتي تضع تحديثات الذاكرة كتكرار نشط للسياسة بدلاً من التسجيل السلبي للبيانات. عند مواجهة مهمة جديدة، يستفسر الوكيل عن موجه مهارات متخصص لاسترداد المهارة الأكثر صلة بالسلوك - وليس فقط الأكثر تشابهًا من الناحية الدلالية - وينفذها. بعد أن ينفذ الوكيل المهارة ويتلقى التعليقات، يفكر النظام في النتيجة لإغلاق حلقة التعلم. بدلاً من مجرد إلحاق سجل بما حدث، يقوم النظام بتغيير ذاكرته بشكل فعال. إذا فشل التنفيذ، يقوم المنسق بتقييم التتبع وإعادة كتابة عناصر المهارة. وهذا يعني أنه يقوم بتحديث التعليمات البرمجية مباشرة أو يطالب بتصحيح وضع الفشل المحدد. وفي حالة الحاجة، فإنه يخلق مهارة جديدة تمامًا. تقوم Memento-Skills أيضًا بتحديث موجه المهارات من خلال عملية تعلم معززة من خطوة واحدة دون الاتصال بالإنترنت والتي تتعلم من ملاحظات التنفيذ بدلاً من مجرد تداخل النص. قال وانغ: \"تكمن القيمة الحقيقية للمهارة في كيفية مساهمتها في سير العمل الشامل والتنفيذ النهائي\". \"لذلك، يوفر التعلم المعزز إطارًا أكثر ملاءمة، لأنه يمكّن الوكيل من تقييم واختيار المهارات بناءً على المنفعة طويلة المدى.\" لمنع التراجع في بيئة الإنتاج، تتم حماية طفرات المهارات الآلية بواسطة بوابة اختبار الوحدة التلقائية. يقوم النظام بإنشاء حالة اختبار تركيبية، وتنفيذها من خلال المهارة المحدثة، والتحقق من النتائج قبل حفظ التغييرات في المكتبة العالمية. من خلال إعادة الكتابة والتحسين المستمر لأدواتها القابلة للتنفيذ، تمكن Memento-Skills نموذج اللغة المجمدة من بناء ذاكرة عضلية قوية وتوسيع قدراتها تدريجيًا من البداية إلى النهاية. وضع عامل التطور الذاتي على المحك قام الباحثون بتقييم المهارات التذكارية بناءً على معيارين صارمين. الأول هو مساعد الذكاء الاصطناعي العام (GAIA)، والذي يتطلب التفكير المعقد متعدد الخطوات، والتعامل مع الوسائط المتعددة، وتصفح الويب، واستخدام الأدوات. والثاني هو الاختبار الأخير للإنسانية، أو HLE، وهو معيار على مستوى الخبراء يشمل ثمانية مواضيع أكاديمية متنوعة مثل الرياضيات وعلم الأحياء. تم تشغيل النظام بأكمله بواسطة Gemini-3.1-Flash الذي يعمل كنموذج اللغة المجمدة الأساسي. تمت مقارنة النظام بخط الأساس للقراءة والكتابة الذي يسترد المهارات ويجمع التعليقات ولكنه لا يحتوي على ميزات ذاتية التطور. اختبر الباحثون أيضًا موجه المهارات المخصص الخاص بهم مقابل الخطوط الأساسية القياسية للاسترجاع الدلالي، بما في ذلك تضمينات BM25 وQwen3. أثبتت النتائج أن الذاكرة ذاتية التطور تتفوق بشكل كبير على مكتبة المهارات الثابتة. في معيار GAIA المتنوع للغاية، قامت Memento-Skills بتحسين دقة مجموعة الاختبارات بمقدار 13.7 نقطة مئوية فوق خط الأساس الثابت، محققة 66.0% مقارنة بـ 52.3%. في اختبار HLE، حيث سمح هيكل المجال بإعادة استخدام المهارات عبر المهام بشكل كبير، قام النظام بمضاعفة أداء خط الأساس، حيث قفز من 17.9% إلى 38.7%. علاوة على ذلك، يتجنب موجه المهارات المتخصصة الخاص بـ Memento-Skills فخ الاسترجاع الكلاسيكي حيث يتم اختيار مهارة غير ذات صلة ببساطة بسبب التشابه الدلالي. تظهر التجارب أن المهارات التذكارية تعزز معدلات نجاح المهام الشاملة إلى 80%، مقارنة بـ 50% فقط لاسترجاع BM25 القياسي. لاحظ الباحثون أن المهارات التذكارية تدير هذا الأداء من خلال نمو المهارات العضوية والمنظمة للغاية. بدأت كلتا التجربتين القياسيتين بخمس مهارات أساسية ذرية فقط، مثل البحث الأساسي على الويب والعمليات الطرفية. وفقًا لمعيار GAIA، قام الوكيل بشكل مستقل بتوسيع هذه المجموعة الأولية إلى مكتبة مدمجة تضم 41 مهارة للتعامل مع المهام المتنوعة. وفقًا لمعيار HLE على مستوى الخبراء، قام النظام بتوسيع مكتبته ديناميكيًا إلى 235 مهارة متميزة. العثور على مكان مناسب للمؤسسة أصدر الباحثون كود Memento-Skills على GitHub، وهو متاح للاستخدام بسهولة. بالنسبة لمهندسي المؤسسات، تعتمد فعالية هذا النظام على محاذاة المجال. بدلاً من مجرد النظر إلى النتائج المعيارية، تكمن المفاضلة التجارية الأساسية في ما إذا كان وكلاءك يتعاملون مع مهام معزولة أو سير عمل منظم. وقال وانغ: \"يعتمد نقل المهارات على درجة التشابه بين المهام\". \"أولاً، عندما تكون المهام معزولة أو ذات ارتباط ضعيف، لا يمكن للوكيل الاعتماد على الخبرة السابقة ويجب أن يتعلم من خلال التفاعل.\" في مثل هذه البيئات المتناثرة، يكون النقل بين المهام محدودًا. \"ثانيًا، عندما تشترك المهام في بنية جوهرية، يمكن إعادة استخدام المهارات المكتسبة مسبقًا بشكل مباشر. وهنا، يصبح التعلم أكثر كفاءة لأن المعرفة تنتقل عبر المهام، مما يسمح للوكيل بأداء جيد في حل المشكلات الجديدة مع القليل من التفاعل الإضافي أو عدمه. ونظرًا لأن النظام يتطلب أنماط مهام متكررة لتوحيد المعرفة، يحتاج قادة المؤسسات إلى معرفة مكان نشر هذا اليوم بالضبط وأين يجب تأجيله. وقال وانغ: \"من المرجح أن يكون سير العمل هو الإعداد الأكثر ملاءمة لهذا النهج، لأنه يوفر بيئة منظمة يمكن من خلالها تكوين المهارات وتقييمها وتحسينها\". ومع ذلك، فقد حذر من الإفراط في النشر في المجالات التي لا تتناسب بعد مع هذا الإطار. \"لا تزال العوامل المادية غير مستكشفة إلى حد كبير في هذا السياق وتتطلب المزيد من التحقيق. بالإضافة إلى ذلك، قد تتطلب المهام ذات الآفاق الأطول أساليب أكثر تقدمًا، مثل أنظمة LLM متعددة الوكلاء، لتمكين التنسيق والتخطيط والتنفيذ المستدام على تسلسل ممتد من القرارات. \"مع تحرك الصناعة نحو وكلاء يعيدون كتابة كود الإنتاج الخاص بهم بشكل مستقل، تظل الحوكمة والأمن ذات أهمية قصوى. في حين تستخدم Memento-Skills قضبان السلامة الأساسية مثل بوابات اختبار الوحدة التلقائية، فمن المحتمل أن تكون هناك حاجة إلى إطار أوسع لاعتماد المؤسسات. وقال وانغ: \"لتمكين التحسين الذاتي الموثوق به، نحتاج إلى نظام تقييم أو حكم جيد التصميم يمكنه تقييم الأداء وتقديم توجيهات متسقة\". \"بدلاً من السماح بالتعديل الذاتي غير المقيد، يجب تنظيم العملية كشكل موجه من أشكال التطوير الذاتي، حيث توجه التغذية الراجعة الوكيل نحو الأفضل التصاميم.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/08\/1135398\/mustafa-suleyman-ai-future\/",
            "title_en": "Mustafa Suleyman: AI development won’t hit a wall anytime soon—here’s why",
            "summary_en": "We evolved for a linear world. If you walk for an hour, you cover a certain distance. Walk for two hours and you cover double that distance. This intuition served us well on the savannah. But it catastrophically fails when confronting AI and the core exponential trends at its heart. From the time I began work on AI in 2010 to now, the amount of training data that goes into frontier AI models has grown by a staggering 1 trillion times—from roughly 10¹⁴ flops (floating-point operations‚ the core unit of computation) for early systems to over 10²⁶ flops for today’s largest models. This is an explosion. Everything else in AI follows from this fact. The skeptics keep predicting walls. And they keep being wrong in the face of this epic generational compute ramp. Often, they point out that Moore’",
            "body_en": "We evolved for a linear world. If you walk for an hour, you cover a certain distance. Walk for two hours and you cover double that distance. This intuition served us well on the savannah. But it catastrophically fails when confronting AI and the core exponential trends at its heart. From the time I began work on AI in 2010 to now, the amount of training data that goes into frontier AI models has grown by a staggering 1 trillion times—from roughly 10¹⁴ flops (floating-point operations‚ the core unit of computation) for early systems to over 10²⁶ flops for today’s largest models. This is an explosion. Everything else in AI follows from this fact. The skeptics keep predicting walls. And they keep being wrong in the face of this epic generational compute ramp. Often, they point out that Moore’s Law is slowing. They also mention a lack of data, or they cite limitations on energy. But when you look at the combined forces driving this revolution, the exponential trend seems quite predictable. To understand why, it’s worth looking at the complex and fast-moving reality beneath the headlines. Think of AI training as a room full of people working calculators. For years, adding computational power meant adding more people with calculators to that room. Much of the time those workers sat idle, drumming their fingers on desks, waiting for the numbers to come through for their next calculation. Every pause was wasted potential. Today’s revolution goes beyond more and better calculators (although it delivers those); it is actually about ensuring that all those calculators never stop, and that they work together as one. Three advances are now converging to enable this. First, the basic calculators got faster. Nvidia’s chips have delivered an eightfold increase in raw performance in just six years, from 312 teraflops in 2020 to 2,500 teraflops today . Our own Maia 200 chip, launched this January, delivers 30% better performance per dollar than any other hardware in our fleet. Second, the numbers arrive faster thanks to a technology called HBM, or high bandwidth memory, which stacks chips vertically like tiny skyscrapers; the latest generation, HBM3, triples the bandwidth of its predecessor, feeding data to processors fast enough to keep them busy all the time. Third, the room of people with calculators became an office and then a whole campus or city. Technologies like NVLink and InfiniBand connect hundreds of thousands of GPUs into warehouse-size supercomputers that function as single cognitive entities. A few years ago this was impossible. These gains all come together to deliver dramatically more compute. Where training a language model took 167 minutes on eight GPUs in 2020, it now takes under four minutes on equivalent modern hardware. To put this in perspective: Moore’s Law would predict only about a 5x improvement over this period. We saw 50x. We’ve gone from two GPUs training AlexNet, the image recognition model that kicked off the modern boom in deep learning in 2012, to over 100,000 GPUs in today’s largest clusters, each one individually far more powerful than its predecessors. Then there’s the revolution in software. Research from Epoch AI suggests that the compute required to reach a fixed performance level halves approximately every eight months, much faster than the traditional 18-to-24-month doubling of Moore’s Law. The costs of serving some recent models have collapsed by a factor of up to 900 on an annualized basis. AI is becoming radically cheaper to deploy. The numbers for the near future are just as staggering. Consider that leading labs are growing capacity at nearly 4x annually. Since 2020, the compute used to train frontier models has grown 5x every year . Global AI-relevant compute is forecast to hit 100 million H100-equivalents by 2027, a tenfold increase in three years. Put all this together and we’re looking at something like another 1,000x in effective compute by the end of 2028. It’s plausible that by 2030 we’ll bring an additional 200 gigawatts of compute online every year—akin to the peak energy use of the UK, France, Germany, and Italy put together. What does all this get us? I believe it will drive the transition from chatbots to nearly human-level agents—semiautonomous systems capable of writing code for days, carrying out weeks- and months-long projects, making calls, negotiating contracts, managing logistics. Forget basic assistants that answer questions. Think teams of AI workers that deliberate, collaborate, and execute. Right now we’re only in the foothills of this transition, and the implications stretch far beyond tech. Every industry built on cognitive work will be transformed. The obvious constraint here is energy. A single refrigerator-size AI rack consumes 120 kilowatts, equivalent to 100 homes. But this hunger collides with another exponential: Solar costs have fallen by a factor of nearly 100 over 50 years; battery prices have dropped 97% over three decades. There is a pathway to clean scaling coming into view. The capital is deployed. The engineering is delivering. The $100 billion clusters, the 10-gigawatt power draws, the warehouse-scale supercomputers … these are no longer science fiction. Ground is being broken for these projects now across the US and the world. As a result, we are heading toward true cognitive abundance. At Microsoft AI, this is the world our superintelligence lab is planning for and building. Skeptics accustomed to a linear world will continue predicting diminishing returns. They will continue being surprised. The compute explosion is the technological story of our time, full stop. And it is still only just beginning. Mustafa Suleyman is CEO of Microsoft AI.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/Final-Header_Suleyman.png?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/08\/1135398\/mustafa-suleyman-ai-future\/",
            "date": "2026-04-08",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "مصطفى سليمان: لن يصل تطوير الذكاء الاصطناعي إلى طريق مسدود في أي وقت قريب، وإليك السبب",
            "summary_ar": "لقد تطورنا من أجل عالم خطي. إذا مشيت لمدة ساعة، فإنك تقطع مسافة معينة. امشي لمدة ساعتين وستقطع ضعف هذه المسافة. لقد خدمنا هذا الحدس جيدًا في السافانا. لكنها تفشل بشكل كارثي عند مواجهة الذكاء الاصطناعي والاتجاهات الأسية الأساسية في قلبه. منذ أن بدأت العمل على الذكاء الاصطناعي في عام 2010 وحتى الآن، زادت كمية بيانات التدريب التي تدخل في نماذج الذكاء الاصطناعي الحدودية بنسبة مذهلة بلغت 1 تريليون مرة - من حوالي 10¹⁴ التقليب (عمليات الفاصلة العائمة، الوحدة الأساسية للحساب) للأنظمة المبكرة إلى أكثر من 10²⁶ التقليب لأكبر النماذج اليوم. هذا انفجار. كل شيء آخر في الذكاء الاصطناعي ينبع من هذه الحقيقة. يستمر المتشككون في التنبؤ بالجدران. ويستمرون في ارتكاب الأخطاء في مواجهة هذا المنحدر الملحمي للحوسبة بين الأجيال. في كثير من الأحيان، يشيرون إلى ذلك مور",
            "body_ar": "لقد تطورنا من أجل عالم خطي. إذا مشيت لمدة ساعة، فإنك تقطع مسافة معينة. امشي لمدة ساعتين وستقطع ضعف هذه المسافة. لقد خدمنا هذا الحدس جيدًا في السافانا. لكنها تفشل بشكل كارثي عند مواجهة الذكاء الاصطناعي والاتجاهات الأسية الأساسية في قلبه. منذ أن بدأت العمل على الذكاء الاصطناعي في عام 2010 وحتى الآن، زادت كمية بيانات التدريب التي تدخل في نماذج الذكاء الاصطناعي الحدودية بنسبة مذهلة بلغت 1 تريليون مرة - من حوالي 10¹⁴ التقليب (عمليات الفاصلة العائمة، الوحدة الأساسية للحساب) للأنظمة المبكرة إلى أكثر من 10²⁶ التقليب لأكبر النماذج اليوم. هذا انفجار. كل شيء آخر في الذكاء الاصطناعي ينبع من هذه الحقيقة. يستمر المتشككون في التنبؤ بالجدران. ويستمرون في ارتكاب الأخطاء في مواجهة هذا المنحدر الملحمي للحوسبة بين الأجيال. ويشيرون في كثير من الأحيان إلى أن قانون مور يتباطأ. ويشيرون أيضًا إلى نقص البيانات، أو يشيرون إلى القيود المفروضة على الطاقة. ولكن عندما تنظر إلى القوى المشتركة التي تحرك هذه الثورة، فإن الاتجاه الأسي يبدو متوقعًا تمامًا. لفهم السبب، من المفيد النظر إلى الواقع المعقد والسريع الحركة تحت العناوين الرئيسية. فكر في تدريب الذكاء الاصطناعي كغرفة مليئة بالأشخاص الذين يعملون على الآلات الحاسبة. لسنوات عديدة، كانت إضافة القوة الحسابية تعني إضافة المزيد من الأشخاص الذين لديهم آلات حاسبة إلى تلك الغرفة. في معظم الأوقات، جلس هؤلاء العمال خاملين، يقرعون بأصابعهم على المكاتب، في انتظار ظهور الأرقام لحسابهم التالي. كل توقف كان بمثابة إهدار الإمكانات. إن ثورة اليوم تتجاوز مجرد الآلات الحاسبة الأفضل والأفضل (على الرغم من أنها تقدم تلك الآلات)؛ بل يتعلق الأمر في الواقع بضمان عدم توقف جميع تلك الآلات الحاسبة أبدًا، وأنها تعمل معًا كجهاز واحد. وتتلاقى الآن ثلاثة تطورات لتمكين هذا الأمر. أولاً، أصبحت الآلات الحاسبة الأساسية أسرع. حققت رقائق Nvidia زيادة في الأداء الخام بمقدار ثمانية أضعاف خلال ست سنوات فقط، من 312 تيرافلوب في عام 2020 إلى 2500 تيرافلوب اليوم. توفر شريحة Maia 200 الخاصة بنا، والتي تم إطلاقها في يناير الماضي، أداءً أفضل بنسبة 30% مقابل كل دولار مقارنة بأي جهاز آخر في أسطولنا. ثانيًا، تصل الأرقام بشكل أسرع بفضل تقنية تسمى HBM، أو ذاكرة النطاق الترددي العالي، والتي تقوم بتكديس الرقائق عموديًا مثل ناطحات السحاب الصغيرة؛ أحدث جيل، HBM3، يضاعف عرض النطاق الترددي لسابقه ثلاث مرات، ويغذي المعالجات بالبيانات بسرعة كافية لإبقائها مشغولة طوال الوقت. ثالثًا، أصبحت غرفة الأشخاص الذين يستخدمون الآلات الحاسبة مكتبًا ثم حرمًا جامعيًا أو مدينة بأكملها. تقوم تقنيات مثل NVLink وInfiniBand بتوصيل مئات الآلاف من وحدات معالجة الرسومات بأجهزة كمبيوتر عملاقة بحجم المستودع تعمل ككيانات معرفية واحدة. قبل بضع سنوات كان هذا مستحيلا. تجتمع كل هذه المكاسب معًا لتوفير المزيد من الحوسبة بشكل كبير. وبينما استغرق تدريب نموذج اللغة 167 دقيقة على ثماني وحدات معالجة رسوميات في عام 2020، فإنه يستغرق الآن أقل من أربع دقائق على أجهزة حديثة مماثلة. ولوضع هذا في نصابه الصحيح: يتنبأ قانون مور بتحسن بمقدار 5 أضعاف فقط خلال هذه الفترة. لقد رأينا 50x. لقد انتقلنا من تدريب اثنين من وحدات معالجة الرسومات AlexNet، وهو نموذج التعرف على الصور الذي أطلق الطفرة الحديثة في التعلم العميق في عام 2012، إلى أكثر من 100000 وحدة معالجة رسوميات في أكبر المجموعات اليوم، كل واحدة على حدة أقوى بكثير من سابقاتها. ثم هناك الثورة في البرمجيات. تشير الأبحاث التي أجرتها شركة Epoch AI إلى أن الحوسبة المطلوبة للوصول إلى مستوى أداء ثابت تنخفض إلى النصف كل ثمانية أشهر تقريبًا، وهو أسرع بكثير من المضاعفة التقليدية لقانون مور والتي تتراوح من 18 إلى 24 شهرًا. لقد انهارت تكاليف خدمة بعض النماذج الحديثة بمعامل يصل إلى 900 على أساس سنوي. لقد أصبح نشر الذكاء الاصطناعي أرخص بشكل جذري. والأرقام في المستقبل القريب مذهلة بنفس القدر. ضع في اعتبارك أن المعامل الرائدة تعمل على زيادة طاقتها بما يقرب من 4 أضعاف سنويًا. منذ عام 2020، زادت الحوسبة المستخدمة لتدريب النماذج الحدودية بمقدار 5 أضعاف كل عام. ومن المتوقع أن تصل الحوسبة العالمية ذات الصلة بالذكاء الاصطناعي إلى 100 مليون مكافئ H100 بحلول عام 2027، أي بزيادة قدرها عشرة أضعاف خلال ثلاث سنوات. ضع كل هذا معًا، ونحن نتطلع إلى ما يقرب من 1000 مرة أخرى في الحوسبة الفعالة بحلول نهاية عام 2028. ومن المعقول أنه بحلول عام 2030 سنجلب 200 جيجاوات إضافية من الحوسبة عبر الإنترنت كل عام - وهو ما يشبه ذروة استخدام الطاقة في المملكة المتحدة وفرنسا وألمانيا وإيطاليا مجتمعة. ماذا يفيدنا كل هذا؟ أعتقد أنها ستؤدي إلى الانتقال من روبوتات الدردشة إلى وكلاء على المستوى البشري تقريبًا، أي أنظمة شبه مستقلة قادرة على كتابة التعليمات البرمجية لأيام، وتنفيذ مشاريع تستغرق أسابيع وأشهرًا، وإجراء المكالمات، والتفاوض على العقود، وإدارة الخدمات اللوجستية. ننسى المساعدين الأساسيين الذين يجيبون على الأسئلة. فكر في فرق من العاملين في مجال الذكاء الاصطناعي الذين يتعمدون ويتعاونون وينفذون. في الوقت الحالي، نحن فقط في سفوح هذا التحول، وتمتد آثاره إلى ما هو أبعد من التكنولوجيا. سيتم تحويل كل صناعة مبنية على العمل المعرفي. القيد الواضح هنا هو الطاقة. رف واحد يعمل بالذكاء الاصطناعي بحجم الثلاجة يستهلك 120 كيلووات، أي ما يعادل 100 منزل. ولكن هذا الجوع يصطدم بارتفاع هائل آخر: فقد انخفضت تكاليف الطاقة الشمسية بنحو 100 مرة على مدى خمسين عاما؛ انخفضت أسعار البطاريات بنسبة 97٪ على مدى ثلاثة عقود. هناك طريق لتنظيف القياس يظهر. العاصمة منتشرة. الهندسة تقدم. إن المجموعات التي تبلغ قيمتها 100 مليار دولار، والطاقة التي تبلغ 10 جيجاوات، وأجهزة الكمبيوتر العملاقة بحجم المستودعات … لم تعد هذه خيالًا علميًا. يتم الآن تمهيد الطريق لهذه المشاريع في جميع أنحاء الولايات المتحدة والعالم. ونتيجة لذلك، فإننا نتجه نحو الوفرة المعرفية الحقيقية. في Microsoft AI، هذا هو العالم الذي يخطط له مختبر الذكاء الفائق لدينا ويبنيه. وسوف يستمر المتشككون الذين اعتادوا على العالم الخطي في التنبؤ بالعائدات المتناقصة. وسوف يستمرون في المفاجأة. إن الانفجار الحسابي هو القصة التكنولوجية لعصرنا، نقطة كاملة. وما زال الأمر في البداية فقط. مصطفى سليمان هو الرئيس التنفيذي لشركة مايكروسوفت منظمة العفو الدولية.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/data\/amazon-s3-files-gives-ai-agents-a-native-file-system-workspace-ending-the",
            "title_en": "Amazon S3 Files gives AI agents a native file system workspace, ending the object-file split that breaks multi-agent pipelines",
            "summary_en": "AI agents run on file systems using standard tools to navigate directories and read file paths. The challenge, however, is that there is a lot of enterprise data in object storage systems, notably Amazon S3. Object stores serve data through API calls, not file paths. Bridging that gap has required a separate file system layer alongside S3, duplicated data and sync pipelines to keep both aligned. T he rise of agentic AI makes that challenge even harder, and it was affecting Amazon's own ability to get things done. Engineering teams at AWS using tools like Kiro and Claude Code kept running into the same problem: Agents defaulted to local file tools, but the data was in S3. Downloading it locally worked until the agent's context window compacted and the session state was lost. Amazo",
            "body_en": "AI agents run on file systems using standard tools to navigate directories and read file paths. The challenge, however, is that there is a lot of enterprise data in object storage systems, notably Amazon S3. Object stores serve data through API calls, not file paths. Bridging that gap has required a separate file system layer alongside S3, duplicated data and sync pipelines to keep both aligned. T he rise of agentic AI makes that challenge even harder, and it was affecting Amazon's own ability to get things done. Engineering teams at AWS using tools like Kiro and Claude Code kept running into the same problem: Agents defaulted to local file tools, but the data was in S3. Downloading it locally worked until the agent's context window compacted and the session state was lost. Amazon's answer is S3 Files, which mounts any S3 bucket directly into an agent's local environment with a single command. The data stays in S3, with no migration required. Under the hood, AWS connects its Elastic File System (EFS) technology to S3 to deliver full file system semantics, not a workaround. S3 Files is available now in most AWS Regions. \"By making data in S3 immediately available, as if it's part of the local file system, we found that we had a really big acceleration with the ability of things like Kiro and Claude Code to be able to work with that data,\" Andy Warfield, VP and distinguished engineer at AWS, told VentureBeat. The difference between file and object storage and why it matters S3 was built for durability, scale and API-based access at the object level. Those properties made it the default storage layer for enterprise data. But they also created a fundamental incompatibility with the file-based tools that developers and agents depend on. \"S3 is not a file system, and it doesn't have file semantics on a whole bunch of fronts,\" Warfield said. \"You can't do a move, an atomic move of an object, and there aren't actually directories in S3.\" Previous attempts to bridge that gap relied on FUSE (Filesystems in USErspace), a software layer that lets developers mount a custom file system in user space without changing the underlying storage. Tools like AWS's own Mount Point, Google's gcsfuse and Microsoft's blobfuse2 all used FUSE-based drivers to make their respective object stores look like a file system. Warfield noted that the problem is that those object stores still weren't file systems. Those drivers either faked file behavior by stuffing extra metadata into buckets, which broke the object API view, or they refused file operations that the object store couldn't support. S3 Files takes a different architecture entirely. AWS is connecting its EFS (Elastic File System) technology directly to S3, presenting a full native file system layer while keeping S3 as the system of record. Both the file system API and the S3 object API remain accessible simultaneously against the same data. How S3 Files accelerates agentic AI Before S3 Files, an agent working with object data had to be explicitly instructed to download files before using tools. That created a session state problem. As agents compacted their context windows, the record of what had been downloaded locally was often lost. \"I would find myself having to remind the agent that the data was available locally,\" Warfield said. Warfield walked through the before-and-after for a common agent task involving log analysis. He explained that a developer was using Kiro or Claude Code to work with log data, in the object only case they would need to tell the agent where the log files are located and to go and download them. Whereas if the logs are immediately mountable on the local file system, the developer can simply identify that the logs are at a specific path, and the agent immediately has access to go through them. For multi-agent pipelines, multiple agents can access the same mounted bucket simultaneously. AWS says thousands of compute resources can connect to a single S3 file system at the same time, with aggregate read throughput reaching multiple terabytes per second — figures VentureBeat was not able to independently verify. Shared state across agents works through standard file system conventions: subdirectories, notes files and shared project directories that any agent in the pipeline can read and write. Warfield described AWS engineering teams using this pattern internally, with agents logging investigation notes and task summaries into shared project directories. For teams building RAG pipelines on top of shared agent content, S3 Vectors — launched at AWS re:Invent in December 2024 — layers on top for similarity search and retrieval-augmented generation against that same data. What analysts say: this is not just a better FUSE AWS is positioning S3 Files against FUSE-based file access from Azure Blob NFS and Google Cloud Storage FUSE. For AI workloads, the meaningful distinction is not primarily performance. \"S3 Files eliminates the data shuffle between object and file storage, turning S3 into a shared, low-latency working space without copying data,\" Jeff Vogel, analyst at Gartner, told VentureBeat. \"The file system becomes a view, not another dataset.\" With FUSE-based approaches, each agent maintains its own local view of the data. When multiple agents work simultaneously, those views can potentially fall out of sync. \"It eliminates an entire class of failure modes including unexplained training\/inference failures caused by stale metadata, which are notoriously difficult to debug,\" Vogel said. \"FUSE-based solutions externalize complexity and issues to the user.\" The agent-level implications go further still. The architectural argument matters less than what it unlocks in practice. \"For agentic AI, which thinks in terms of files, paths, and local scripts, this is the missing link,\" Dave McCarthy, analyst at IDC, told VentureBeat. \"It allows an AI agent to treat an exabyte-scale bucket as its own local hard drive, enabling a level of autonomous operational speed that was previously bottled up by API overhead associated with approaches like FUSE.\" Beyond the agent workflow, McCarthy sees S3 Files as a broader inflection point for how enterprises use their data. \"The launch of S3 Files isn't just S3 with a new interface; it's the removal of the final friction point between massive data lakes and autonomous AI,\" he said. \"By converging file and object access with S3, they are opening the door to more use cases with less reworking.\" What this means for enterprises For enterprise teams that have been maintaining a separate file system alongside S3 to support file-based applications or agent workloads, that architecture is now unnecessary. For enterprise teams consolidating AI infrastructure on S3, the practical shift is concrete: S3 stops being the destination for agent output and becomes the environment where agent work happens. \"All of these API changes that you're seeing out of the storage teams come from firsthand work and customer experience using agents to work with data,\" Warfield said. \"We're really singularly focused on removing any friction and making those interactions go as well as they can.\"",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/7qINoorFvA8oMUYPoXZgvV\/96ded88e2eb8ab5a27f6894b6b27cf44\/Amazon-s3files-missinglink-smk1.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/data\/amazon-s3-files-gives-ai-agents-a-native-file-system-workspace-ending-the",
            "date": "2026-04-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "توفر Amazon S3 Files لوكلاء الذكاء الاصطناعي مساحة عمل أصلية لنظام الملفات، مما ينهي تقسيم ملف الكائن الذي يكسر خطوط الأنابيب المتعددة الوكلاء",
            "summary_ar": "يعمل وكلاء الذكاء الاصطناعي على أنظمة الملفات باستخدام الأدوات القياسية للتنقل في الدلائل وقراءة مسارات الملفات. ومع ذلك، يكمن التحدي في وجود الكثير من بيانات المؤسسة في أنظمة تخزين الكائنات، ولا سيما Amazon S3. تقوم مخازن الكائنات بخدمة البيانات من خلال استدعاءات واجهة برمجة التطبيقات (API)، وليس مسارات الملفات. يتطلب سد هذه الفجوة وجود طبقة نظام ملفات منفصلة جنبًا إلى جنب مع S3، وبيانات مكررة وخطوط أنابيب متزامنة للحفاظ على التوافق بينهما. إن ظهور الذكاء الاصطناعي الوكيل يجعل هذا التحدي أكثر صعوبة، وكان يؤثر على قدرة أمازون على إنجاز الأمور. ظلت الفرق الهندسية في AWS، التي تستخدم أدوات مثل Kiro وClaude Code، تواجه نفس المشكلة: استخدم الوكلاء أدوات الملفات المحلية افتراضيًا، لكن البيانات كانت موجودة في S3. لقد نجح تنزيله محليًا حتى تم ضغط نافذة سياق الوكيل وفقد حالة الجلسة. أمازو",
            "body_ar": "يعمل وكلاء الذكاء الاصطناعي على أنظمة الملفات باستخدام الأدوات القياسية للتنقل في الدلائل وقراءة مسارات الملفات. ومع ذلك، يكمن التحدي في وجود الكثير من بيانات المؤسسة في أنظمة تخزين الكائنات، ولا سيما Amazon S3. تقوم مخازن الكائنات بخدمة البيانات من خلال استدعاءات واجهة برمجة التطبيقات (API)، وليس مسارات الملفات. يتطلب سد هذه الفجوة وجود طبقة نظام ملفات منفصلة جنبًا إلى جنب مع S3، وبيانات مكررة وخطوط أنابيب متزامنة للحفاظ على التوافق بينهما. إن ظهور الذكاء الاصطناعي الوكيل يجعل هذا التحدي أكثر صعوبة، وكان يؤثر على قدرة أمازون على إنجاز الأمور. ظلت الفرق الهندسية في AWS، التي تستخدم أدوات مثل Kiro وClaude Code، تواجه نفس المشكلة: استخدم الوكلاء أدوات الملفات المحلية افتراضيًا، لكن البيانات كانت موجودة في S3. لقد نجح تنزيله محليًا حتى تم ضغط نافذة سياق الوكيل وفقد حالة الجلسة. إجابة أمازون هي ملفات S3، التي تقوم بتثبيت أي حاوية S3 مباشرة في البيئة المحلية للوكيل باستخدام أمر واحد. تظل البيانات في S3، دون الحاجة إلى الترحيل. ضمن الغطاء، تقوم AWS بتوصيل تقنية نظام الملفات المرنة (EFS) الخاصة بها بـ S3 لتقديم دلالات كاملة لنظام الملفات، وليس حلاً بديلاً. تتوفر ملفات S3 الآن في معظم مناطق AWS. \"من خلال إتاحة البيانات في S3 على الفور، كما لو كانت جزءًا من نظام الملفات المحلي، وجدنا أن لدينا تسارعًا كبيرًا حقًا مع قدرة أشياء مثل Kiro وClaude Code على العمل مع تلك البيانات،\" قال آندي وارفيلد، نائب الرئيس والمهندس المتميز في AWS، لـ VentureBeat. الفرق بين تخزين الملفات والكائنات وسبب أهميته تم تصميم S3 من أجل المتانة والتوسع والوصول المستند إلى واجهة برمجة التطبيقات (API) على مستوى الكائن. هذه الخصائص جعلتها طبقة التخزين الافتراضية لبيانات المؤسسة. لكنهم خلقوا أيضًا عدم توافق أساسيًا مع الأدوات المستندة إلى الملفات التي يعتمد عليها المطورون والوكلاء. وقال وارفيلد: \"إن S3 ليس نظام ملفات، ولا يحتوي على دلالات للملفات على مجموعة كاملة من الجبهات\". \"لا يمكنك القيام بحركة، حركة ذرية لكائن ما، ولا توجد أدلة فعلية في S3.\" اعتمدت المحاولات السابقة لسد هذه الفجوة على FUSE (أنظمة الملفات في مساحة المستخدم)، وهي طبقة برمجية تتيح للمطورين تركيب نظام ملفات مخصص في مساحة المستخدم دون تغيير مساحة التخزين الأساسية. أدوات مثل Mount Point الخاصة بـ AWS، وgcsfuse من Google، وblobfuse2 من Microsoft، جميعها تستخدم برامج التشغيل المستندة إلى FUSE لجعل مخازن الكائنات الخاصة بها تبدو وكأنها نظام ملفات. لاحظ وارفيلد أن المشكلة تكمن في أن مخازن الكائنات هذه لا تزال ليست أنظمة ملفات. إما أن برامج التشغيل هذه إما قامت بتزييف سلوك الملف عن طريق حشو بيانات تعريف إضافية في مجموعات، مما أدى إلى تعطيل عرض واجهة برمجة التطبيقات (API) للكائن، أو أنها رفضت عمليات الملفات التي لا يستطيع مخزن الكائنات دعمها. تأخذ ملفات S3 بنية مختلفة تمامًا. تقوم AWS بتوصيل تقنية EFS (نظام الملفات المرنة) الخاصة بها مباشرة إلى S3، مما يوفر طبقة نظام ملفات أصلية كاملة مع الاحتفاظ بـ S3 كنظام للتسجيل. يظل كل من واجهة برمجة تطبيقات نظام الملفات وواجهة برمجة تطبيقات كائن S3 قابلة للوصول في وقت واحد مقابل نفس البيانات. كيف تعمل ملفات S3 على تسريع الذكاء الاصطناعي الوكيل قبل ملفات S3، كان لا بد من توجيه الوكيل الذي يعمل مع بيانات الكائن بشكل صريح لتنزيل الملفات قبل استخدام الأدوات. أدى ذلك إلى إنشاء مشكلة حالة الجلسة. عندما يقوم الوكلاء بضغط نوافذ السياق الخاصة بهم، غالبًا ما يتم فقدان سجل ما تم تنزيله محليًا. قال وارفيلد: \"سأجد نفسي مضطرًا إلى تذكير العميل بأن البيانات متاحة محليًا\". مشى Warfield خلال ما قبل وبعد لمهمة وكيل مشتركة تتضمن تحليل السجل. وأوضح أن أحد المطورين كان يستخدم Kiro أو Claude Code للعمل مع بيانات السجل، وفي الحالة الوحيدة، سيحتاجون إلى إخبار الوكيل بمكان وجود ملفات السجل والذهاب وتنزيلها. في حين أنه إذا كانت السجلات قابلة للتركيب على الفور على نظام الملفات المحلي، فيمكن للمطور ببساطة تحديد أن السجلات موجودة في مسار معين، ويمكن للوكيل الوصول إليها على الفور. بالنسبة لخطوط الأنابيب متعددة الوكلاء، يمكن لوكلاء متعددين الوصول إلى نفس الجرافة المثبتة في وقت واحد. تقول AWS إن الآلاف من موارد الحوسبة يمكنها الاتصال بنظام ملفات S3 واحد في نفس الوقت، مع وصول إجمالي إنتاجية القراءة إلى عدة تيرابايت في الثانية - وهي أرقام لم يتمكن VentureBeat من التحقق منها بشكل مستقل. تعمل الحالة المشتركة عبر الوكلاء من خلال اصطلاحات نظام الملفات القياسية: الدلائل الفرعية وملفات الملاحظات وأدلة المشروع المشتركة التي يمكن لأي وكيل في المسار قراءتها وكتابتها. وصف وارفيلد فرق هندسة AWS التي تستخدم هذا النمط داخليًا، حيث يقوم الوكلاء بتسجيل ملاحظات التحقيق وملخصات المهام في أدلة المشروع المشتركة. بالنسبة للفرق التي تقوم ببناء خطوط أنابيب RAG فوق محتوى الوكيل المشترك، فإن S3 Vectors – التي تم إطلاقها في AWS re:Invent في ديسمبر 2024 – تضع طبقات في الأعلى للبحث عن التشابه وتوليد الاسترجاع المعزز مقابل نفس البيانات. ما يقوله المحللون: هذا ليس مجرد FUSE أفضل، حيث تقوم AWS بوضع ملفات S3 مقابل الوصول إلى الملفات المستندة إلى FUSE من Azure Blob NFS وGoogle Cloud Storage FUSE. بالنسبة لأحمال عمل الذكاء الاصطناعي، فإن التمييز الهادف لا يتمثل في الأداء في المقام الأول. قال جيف فوجل، المحلل في شركة جارتنر، لموقع VentureBeat: \"تعمل ملفات S3 على التخلص من خلط البيانات بين تخزين الكائنات والملفات، مما يحول S3 إلى مساحة عمل مشتركة منخفضة زمن الوصول دون نسخ البيانات\". \"يصبح نظام الملفات عرضًا، وليس مجموعة بيانات أخرى.\" باستخدام الأساليب المستندة إلى FUSE، يحتفظ كل وكيل برؤيته المحلية الخاصة للبيانات. عندما يعمل العديد من الوكلاء في وقت واحد، فمن المحتمل أن تكون طرق العرض هذه غير متزامنة. وقال فوجل: \"إنه يزيل فئة كاملة من أوضاع الفشل، بما في ذلك حالات فشل التدريب\/الاستدلال غير المبررة الناجمة عن البيانات الوصفية القديمة، والتي يصعب تصحيح أخطائها\". \"الحلول المستندة إلى FUSE تضفي طابعًا خارجيًا على التعقيدات والمشكلات بالنسبة للمستخدم.\" وتذهب الآثار المترتبة على مستوى الوكيل إلى أبعد من ذلك. الحجة المعمارية أقل أهمية مما تفتحه في الممارسة العملية. قال ديف مكارثي، المحلل في IDC، لـ VentureBeat: \"بالنسبة للذكاء الاصطناعي الوكيل، الذي يفكر فيما يتعلق بالملفات والمسارات والنصوص المحلية، فهذه هي الحلقة المفقودة\". \"إنه يسمح لوكيل الذكاء الاصطناعي بمعاملة دلو بحجم إكسابايت باعتباره محرك الأقراص الثابتة المحلي الخاص به، مما يتيح مستوى من سرعة التشغيل المستقلة التي تم تعبئتها مسبقًا بواسطة واجهة برمجة التطبيقات (API) المرتبطة بأساليب مثل FUSE.\" وبعيدًا عن سير عمل الوكيل، يرى مكارثي أن ملفات S3 هي نقطة انعطاف أوسع لكيفية استخدام المؤسسات لبياناتها. وقال: \"إن إطلاق S3 Files ليس مجرد S3 بواجهة جديدة؛ بل هو إزالة نقطة الاحتكاك النهائية بين مستودعات البيانات الضخمة والذكاء الاصطناعي المستقل\". \"من خلال تقارب الوصول إلى الملفات والكائنات مع S3، فإنهم يفتحون الباب أمام المزيد من حالات الاستخدام مع إعادة صياغة أقل.\" ماذا يعني هذا بالنسبة للمؤسسات بالنسبة لفرق المؤسسات التي كانت تحتفظ بنظام ملفات منفصل إلى جانب S3 لدعم التطبيقات المستندة إلى الملفات أو أعباء عمل الوكيل، أصبحت هذه البنية الآن غير ضرورية. بالنسبة لفرق المؤسسة التي تعمل على دمج البنية التحتية للذكاء الاصطناعي في S3، فإن التحول العملي يكون ملموسًا: يتوقف S3 عن كونه الوجهة لمخرجات الوكيل ويصبح البيئة التي يتم فيها عمل الوكيل. قال وارفيلد: \"كل تغييرات واجهة برمجة التطبيقات هذه التي تراها من فرق التخزين تأتي من العمل المباشر وتجربة العملاء باستخدام وكلاء للعمل مع البيانات\". \"نحن نركز حقًا بشكل فريد على إزالة أي احتكاك وجعل تلك التفاعلات تسير كما هي يستطيع.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/ai-joins-the-8-hour-work-day-as-glm-ships-5-1-open-source-llm-beating-opus-4",
            "title_en": "AI joins the 8-hour work day as GLM ships 5.1 open source LLM, beating Opus 4.6 and GPT 5.4 on SWE-Bench Pro",
            "summary_en": "Is China picking back up the open source AI baton? Z.ai, also known as Zhupai AI, a Chinese AI startup best known for its powerful, open source GLM family of models, has unveiled GLM-5.1 today under a permissive MIT License , allowing for enterprises to download, customize and use it for commercial purposes. They can do so on Hugging Face . This follows its release of GLM-5 Turbo, a faster version , under only proprietary license last month. The new GLM-5.1 is designed to work autonomously for up to eight hours on a single task, marking a definitive shift from vibe coding to agentic engineering. The release represents a pivotal moment in the evolution of artificial intelligence. While competitors have focused on increasing reasoning tokens for better logic, Z.ai is optimizing for productiv",
            "body_en": "Is China picking back up the open source AI baton? Z.ai, also known as Zhupai AI, a Chinese AI startup best known for its powerful, open source GLM family of models, has unveiled GLM-5.1 today under a permissive MIT License , allowing for enterprises to download, customize and use it for commercial purposes. They can do so on Hugging Face . This follows its release of GLM-5 Turbo, a faster version , under only proprietary license last month. The new GLM-5.1 is designed to work autonomously for up to eight hours on a single task, marking a definitive shift from vibe coding to agentic engineering. The release represents a pivotal moment in the evolution of artificial intelligence. While competitors have focused on increasing reasoning tokens for better logic, Z.ai is optimizing for productive horizons. GLM-5.1 is a 754-billion parameter Mixture-of-Experts model engineered to maintain goal alignment over extended execution traces that span thousands of tool calls. \"agents could do about 20 steps by the end of last year,\" wrote z.ai leader Lou on X . \"glm-5.1 can do 1,700 rn. autonomous work time may be the most important curve after scaling laws. glm-5.1 will be the first point on that curve that the open-source community can verify with their own hands. hope y'all like it^^\" In a market increasingly crowded with fast models, Z.ai is betting on the marathon runner. The company, which listed on the Hong Kong Stock Exchange in early 2026 with a market capitalization of $52.83 billion, is using this release to cement its position as the leading independent developer of large language models in the region. Technology: the staircase pattern of optimization GLM-5.1s core technological breakthrough isn't just its scale, though its 754 billion parameters and 202,752 token context window are formidable, but its ability to avoid the plateau effect seen in previous models. In traditional agentic workflows, a model typically applies a few familiar techniques for quick initial gains and then stalls. Giving it more time or more tool calls usually results in diminishing returns or strategy drift. Z.ai research demonstrates that GLM-5.1 operates via what they call a staircase pattern, characterized by periods of incremental tuning within a fixed strategy punctuated by structural changes that shift the performance frontier. In Scenario 1 of their technical report, the model was tasked with optimizing a high-performance vector database, a challenge known as VectorDBBench. The model is provided with a Rust skeleton and empty implementation stubs, then uses tool-call-based agents to edit code, compile, test, and profile. While previous state-of-the-art results from models like Claude Opus 4.6 reached a performance ceiling of 3,547 queries per second, GLM-5.1 ran through 655 iterations and over 6,000 tool calls. The optimization trajectory was not linear but punctuated by structural breakthroughs. At iteration 90, the model shifted from full-corpus scanning to IVF cluster probing with f16 vector compression, which reduced per-vector bandwidth from 512 bytes to 256 bytes and jumped performance to 6,400 queries per second. By iteration 240, it autonomously introduced a two-stage pipeline involving u8 prescoring and f16 reranking, reaching 13,400 queries per second. Ultimately, the model identified and cleared six structural bottlenecks, including hierarchical routing via super-clusters and quantized routing using centroid scoring via VNNI. These efforts culminated in a final result of 21,500 queries per second, roughly six times the best result achieved in a single 50-turn session. This demonstrates a model that functions as its own research and development department, breaking complex problems down and running experiments with real precision. The model also managed complex execution tightening, lowering scheduling overhead and improving cache locality. During the optimization of the Approximate Nearest Neighbor search, the model proactively removed nested parallelism in favor of a redesign using per-query single-threading and outer concurrency. When the model encountered iterations where recall fell below the 95 percent threshold, it diagnosed the failure, adjusted its parameters, and implemented parameter compensation to recover the necessary accuracy. This level of autonomous correction is what separates GLM-5.1 from models that simply generate code without testing it in a live environment. Kernelbench: pushing the machine learning frontier The model's endurance was further tested in KernelBench Level 3, which requires end-to-end optimization of complete machine learning architectures like MobileNet, VGG, MiniGPT, and Mamba. In this setting, the goal is to produce a faster GPU kernel than the reference PyTorch implementation while maintaining identical outputs. Each of the 50 problems runs in an isolated Docker container with one H100 GPU and is limited to 1,200 tool-use turns. Correctness and performance are evaluated against a PyTorch eager baseline in separate CUDA contexts. The results highlight a significant performance gap between GLM-5.1 and its predecessors. While the original GLM-5 improved quickly but leveled off early at a 2.6x speedup, GLM-5.1 sustained its optimization efforts far longer. It eventually delivered a 3.6x geometric mean speedup across 50 problems, continuing to make useful progress well past 1,000 tool-use turns. Although Claude Opus 4.6 remains the leader in this specific benchmark at 4.2x, GLM-5.1 has meaningfully extended the productive horizon for open-source models. This capability is not simply about having a longer context window; it requires the model to maintain goal alignment over extended execution, reducing strategy drift, error accumulation, and ineffective trial and error. One of the key breakthroughs is the ability to form an autonomous experiment, analyze, and optimize loop, where the model can proactively run benchmarks, identify bottlenecks, adjust strategies, and continuously improve results through iterative refinement. All solutions generated during this process were independently audited for benchmark exploitation, ensuring the optimizations did not rely on specific benchmark behaviors but worked with arbitrary new inputs while keeping computation on the default CUDA stream. Product strategy: subscription and subsidies GLM-5.1 is positioned as an engineering-grade tool rather than a consumer chatbot. To support this, Z.ai has integrated it into a comprehensive Coding Plan ecosystem designed to compete directly with high-end developer tools. The product offering is divided into three subscription tiers, all of which include free Model Context Protocol tools for vision analysis, web search, web reader, and document reading. The Lite tier at $27 USD per quarter is positioned for lightweight workloads and offers three times the usage of a comparable Claude Pro plan. The Pro tier at $81 per quarter is designed for complex workloads, offering five times the Lite plan usage and 40 to 60 percent faster execution. The Max tier at $216 per quarter is aimed at advanced developers with high-volume needs, ensuring guaranteed performance during peak hours. For those using the API directly or through platforms like OpenRouter or Requesty , Z.ai has priced GLM-5.1 at $1.40 per one million input tokens and $4.40 per million output tokens. There's also a cache discount available for $0.26 per million input tokens. Model Input Output Total Cost Source Grok 4.1 Fast $0.20 $0.50 $0.70 xAI MiniMax M2.7 $0.30 $1.20 $1.50 MiniMax Gemini 3 Flash $0.50 $3.00 $3.50 Google Kimi-K2.5 $0.60 $3.00 $3.60 Moonshot MiMo-V2-Pro (≤256K) $1.00 $3.00 $4.00 Xiaomi MiMo GLM-5 $1.00 $3.20 $4.20 Z.ai GLM-5-Turbo $1.20 $4.00 $5.20 Z.ai GLM-5.1 $1.40 $4.40 $5.80 Z.ai Claude Haiku 4.5 $1.00 $5.00 $6.00 Anthropic Qwen3-Max $1.20 $6.00 $7.20 Alibaba Cloud Gemini 3 Pro $2.00 $12.00 $14.00 Google GPT-5.2 $1.75 $14.00 $15.75 OpenAI GPT-5.4 $2.50 $15.00 $17.50 OpenAI Claude Sonnet 4.5 $3.00 $15.00 $18.00 Anthropic Claude Opus 4.6 $5.00 $25.00 $30.00 Anthropic GPT-5.4 Pro $30.00 $180.00 $210.00 OpenAI Notably, the model consumes quota at three times the standard rate during peak hours, which are defined as 14:00 to 18:00 Beijing Time daily, though a limited-time promotion through April 2026 allows off-peak usage to be billed at a standard 1x rate. Complementing the flagship is the recently debuted GLM-5 Turbo. While 5.1 is the marathon runner, Turbo is the sprinter, proprietary and optimized for fast inference and tasks like tool use and persistent automation. At a cost of $1.20 per million input \/ $4 per million output, it is more expensive than the base GLM-5 but comes in at more affordable than the new GLM-5.1, positioning it as a commercially attractive option for high-speed, supervised agent runs. The model is also packaged for local deployment, supporting inference frameworks including vLLM, SGLang, and xLLM. Comprehensive deployment instructions are available at the official GitHub repository, allowing developers to run the 754 billion parameter MoE model on their own infrastructure. For enterprise teams, the model includes advanced reasoning capabilities that can be accessed via a thinking parameter in API requests, allowing the model to show its step-by-step internal reasoning process before providing a final answer. Benchmarks: a new global standard The performance data for GLM-5.1 suggests it has leapfrogged several established Western models in coding and engineering tasks. On SWE-Bench Pro, which evaluates a model's ability to resolve real-world GitHub issues using an instruction prompt and a 200,000 token context window, GLM-5.1 achieved a score of 58.4. For context, this outperforms GPT-5.4 at 57.7, Claude Opus 4.6 at 57.3, and Gemini 3.1 Pro at 54.2 . Beyond standardized coding tests, the model showed significant gains in reasoning and agentic benchmarks. It scored 63.5 on Terminal-Bench 2.0 when evaluated with the Terminus-2 framework and reached 66.5 when paired with the Claude Code harness. On CyberGym, it achieved a 68.7 score based on a single-run pass over 1,507 tasks, demonstrating a nearly 20-point lead over the previous GLM-5 model. The model also performed strongly on the MCP-Atlas public set with a score of 71.8 and achieved a 70.6 on the T3-Bench. In the reasoning domain, it scored 31.0 on Humanitys Last Exam, which jumped to 52.3 when the model was allowed to use external tools. On the AIME 2026 math competition benchmark, it reached 95.3, while scoring 86.2 on GPQA-Diamond for expert-level science reasoning. The most impressive anecdotal benchmark was the Scenario 3 test: building a Linux-style desktop environment from scratch in eight hours. Unlike previous models that might produce a basic taskbar and a placeholder window before declaring the task complete, GLM-5.1 autonomously filled out a file browser, terminal, text editor, system monitor, and even functional games. It iteratively polished the styling and interaction logic until it had delivered a visually consistent, functional web application. This serves as a concrete example of what becomes possible when a model is given the time and the capability to keep refining its own work. Licensing and the open segue The licensing of these two models tells a larger story about the current state of the global AI market. GLM-5.1 has been released under the MIT License, with its model weights made publicly available on Hugging Face and ModelScope. This follows the Z.ai historical strategy of using open-source releases to build developer goodwill and ecosystem reach. However, GLM-5 Turbo remains proprietary and closed-source. This reflects a growing trend among leading AI labs toward a hybrid model: using open-source models for broad distribution while keeping execution-optimized variants behind a paywall. Industry analysts note that this shift arrives amidst a rebalancing in the Chinese market, where heavyweights like Alibaba are also beginning to segment their proprietary work from their open releases. Z.ai CEO Zhang Peng appears to be navigating this by ensuring that while the flagship's core intelligence is open to the community, the high-speed execution infrastructure remains a revenue-driving asset. The company is not explicitly promising to open-source GLM-5 Turbo itself, but says the findings will be folded into future open releases. This segmented strategy helps drive adoption while allowing the company to build a sustainable business model around its most commercially relevant work. Community and user reactions: crushing a week's work The developer community response to the GLM-5.1 release has been overwhelmingly focused on the model's reliability in production-grade environments. User reviews suggest a high degree of trust in the model's autonomy. One developer noted that GLM-5.1 shocked them with how good it is, stating it seems to do what they want more reliably than other models with less reworking of prompts needed. Another developer mentioned that the model's overall workflow from planning to project execution performs excellently, allowing them to confidently entrust it with complex tasks. Specific case studies from users highlight significant efficiency gains. A user from Crypto Economy News reported that a task involving preprocessing code, feature selection logic, and hyperparameter tuning solutions, which originally would have taken a week, was completed in just two days. Since getting the GLM Coding plan, other developers have noted being able to operate more freely and focus on core development without worrying about resource shortages hindering progress. On social media, the launch announcement generated over 46,000 views in its first hour, with users captivated by the eight-hour autonomous claim. The sentiment among early adopters is that Z.ai has successfully moved past the hallucination-heavy era of AI into a period where models can be trusted to optimize themselves through repeated iteration. The ability to build four applications rapidly through correct prompting and structured planning has been cited by multiple users as a game-changing development for individual developers. The implications of long-horizon work The release of GLM-5.1 suggests that the next frontier of AI competition will not be measured in tokens per second, but in autonomous duration. If a model can work for eight hours without human intervention, it fundamentally changes the software development lifecycle. However, Z.ai acknowledges that this is only the beginning. Significant challenges remain, such as developing reliable self-evaluation for tasks where no numeric metric exists to optimize against. Escaping local optima earlier when incremental tuning stops paying off is another major hurdle, as is maintaining coherence over execution traces that span thousands of tool calls. For now, Z.ai has placed a marker in the sand. With GLM-5.1, they have delivered a model that doesn't just answer questions, but finishes projects. The model is already compatible with a wide range of developer tools including Claude Code, OpenCode, Kilo Code, Roo Code, Cline, and Droid. For developers and enterprises, the question is no longer, \"what can I ask this AI?\" but \"what can I assign to it for the next eight hours?\" The focus of the industry is clearly shifting toward systems that can reliably execute multi-step work with less supervision. This transition to agentic engineering marks a new phase in the deployment of artificial intelligence within the global economy.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/77oM8cqy8fLWfF65ejw0eW\/534038847f3f387f4d974ed91e77d77b\/ChatGPT_Image_Apr_7__2026__01_44_40_PM.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/ai-joins-the-8-hour-work-day-as-glm-ships-5-1-open-source-llm-beating-opus-4",
            "date": "2026-04-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "ينضم الذكاء الاصطناعي إلى يوم العمل المكون من 8 ساعات حيث تقدم GLM الإصدار 5.1 مفتوح المصدر من LLM، متغلبًا على Opus 4.6 وGPT 5.4 على SWE-Bench Pro",
            "summary_ar": "هل تستعيد الصين عصا الذكاء الاصطناعي مفتوحة المصدر؟ كشفت شركة Z.ai، المعروفة أيضًا باسم Zhupai AI، وهي شركة ناشئة صينية تعمل في مجال الذكاء الاصطناعي وتشتهر بمجموعة نماذج GLM القوية ومفتوحة المصدر، عن GLM-5.1 اليوم بموجب ترخيص متساهل من معهد ماساتشوستس للتكنولوجيا (MIT)، مما يسمح للشركات بتنزيله وتخصيصه واستخدامه للأغراض التجارية. يمكنهم القيام بذلك عن طريق معانقة الوجه. يأتي ذلك بعد إطلاق GLM-5 Turbo، وهو إصدار أسرع، بموجب ترخيص الملكية فقط في الشهر الماضي. تم تصميم GLM-5.1 الجديد للعمل بشكل مستقل لمدة تصل إلى ثماني ساعات في مهمة واحدة، مما يمثل تحولًا نهائيًا من البرمجة الديناميكية إلى الهندسة الوكيلة. يمثل الإصدار لحظة محورية في تطور الذكاء الاصطناعي. في حين ركز المنافسون على زيادة الرموز المميزة للاستدلال من أجل منطق أفضل، تعمل Z.ai على تحسين ذلك Productiv",
            "body_ar": "هل تستعيد الصين عصا الذكاء الاصطناعي مفتوحة المصدر؟ كشفت شركة Z.ai، المعروفة أيضًا باسم Zhupai AI، وهي شركة ناشئة صينية تعمل في مجال الذكاء الاصطناعي وتشتهر بمجموعة نماذج GLM القوية ومفتوحة المصدر، عن GLM-5.1 اليوم بموجب ترخيص متساهل من معهد ماساتشوستس للتكنولوجيا (MIT)، مما يسمح للشركات بتنزيله وتخصيصه واستخدامه للأغراض التجارية. يمكنهم القيام بذلك عن طريق معانقة الوجه. يأتي ذلك بعد إطلاق GLM-5 Turbo، وهو إصدار أسرع، بموجب ترخيص الملكية فقط في الشهر الماضي. تم تصميم GLM-5.1 الجديد للعمل بشكل مستقل لمدة تصل إلى ثماني ساعات في مهمة واحدة، مما يمثل تحولًا نهائيًا من البرمجة الديناميكية إلى الهندسة الوكيلة. يمثل الإصدار لحظة محورية في تطور الذكاء الاصطناعي. في حين ركز المنافسون على زيادة الرموز المنطقية من أجل منطق أفضل، تعمل Z.ai على تحسين الآفاق الإنتاجية. GLM-5.1 عبارة عن نموذج مزيج من الخبراء يضم 754 مليار معلمة تم تصميمه للحفاظ على توافق الأهداف عبر آثار التنفيذ الموسعة التي تمتد عبر آلاف استدعاءات الأدوات. كتب زعيم z.ai Lou على X: \"يمكن للعملاء القيام بحوالي 20 خطوة بحلول نهاية العام الماضي\". \"يمكن لـ glm-5.1 القيام بـ 1700 رن. قد يكون وقت العمل المستقل هو المنحنى الأكثر أهمية بعد قياس القوانين. وسيكون glm-5.1 هو النقطة الأولى على هذا المنحنى التي يمكن لمجتمع المصادر المفتوحة التحقق منها بأيديهم. أتمنى أن تنال إعجابكم ^^\" في سوق مزدحم بشكل متزايد بالنماذج السريعة، تراهن Z.ai على عداء الماراثون. تستخدم الشركة، التي أدرجت في بورصة هونج كونج في أوائل عام 2026 برأسمال سوقي قدره 52.83 مليار دولار، هذا الإصدار لتعزيز مكانتها كمطور مستقل رائد لنماذج اللغات الكبيرة في المنطقة. التكنولوجيا: نمط الدرج للتحسين لا يقتصر التقدم التكنولوجي الأساسي لـ GLM-5.1 على نطاقه فحسب، على الرغم من أن معلماته البالغ عددها 754 مليارًا ونافذة سياقه المميزة البالغة 202,752 رمزًا هائلة، ولكن قدرته على تجنب تأثير الهضبة الذي شوهد في النماذج السابقة. في مسارات العمل التقليدية، يطبق النموذج عادةً بعض التقنيات المألوفة لتحقيق مكاسب أولية سريعة ثم يتوقف. عادةً ما يؤدي منحها مزيدًا من الوقت أو المزيد من استدعاءات الأدوات إلى تناقص العائدات أو انحراف الإستراتيجية. يوضح بحث Z.ai أن GLM-5.1 يعمل عبر ما يسمونه نمط الدرج، الذي يتميز بفترات من الضبط المتزايد ضمن استراتيجية ثابتة تتخللها تغييرات هيكلية تغير حدود الأداء. في السيناريو 1 من التقرير الفني، تم تكليف النموذج بتحسين قاعدة بيانات المتجهات عالية الأداء، وهو تحدٍ يُعرف باسم VectorDBBench. يتم تزويد النموذج بهيكل Rust وقاعدة تنفيذ فارغة، ثم يستخدم الوكلاء المستندين إلى استدعاء الأدوات لتحرير التعليمات البرمجية وتجميعها واختبارها وملف التعريف. في حين أن النتائج الحديثة السابقة من نماذج مثل Claude Opus 4.6 وصلت إلى سقف أداء يبلغ 3547 استعلامًا في الثانية، فقد تم تشغيل GLM-5.1 عبر 655 تكرارًا وأكثر من 6000 استدعاء للأداة. لم يكن مسار التحسين خطيًا، بل تخللته إنجازات هيكلية. في التكرار 90، تحول النموذج من المسح الكامل للجسم إلى فحص مجموعة IVF باستخدام ضغط متجه f16، مما أدى إلى تقليل عرض النطاق الترددي لكل ناقل من 512 بايت إلى 256 بايت وقفز الأداء إلى 6400 استعلام في الثانية. من خلال التكرار 240، قدمت بشكل مستقل خط أنابيب من مرحلتين يتضمن u8 المسبق وإعادة الترتيب f16، ليصل إلى 13400 استعلام في الثانية. في النهاية، حدد النموذج وأزال ستة اختناقات هيكلية، بما في ذلك التوجيه الهرمي عبر المجموعات الفائقة والتوجيه الكمي باستخدام تسجيل النقطه الوسطى عبر VNNI. وبلغت هذه الجهود ذروتها في النتيجة النهائية التي بلغت 21500 استفسار في الثانية، أي ما يقرب من ستة أضعاف أفضل نتيجة تم تحقيقها في جلسة واحدة مكونة من 50 دورة. يوضح هذا النموذج الذي يعمل بمثابة قسم البحث والتطوير الخاص به، حيث يقوم بتفكيك المشكلات المعقدة وإجراء التجارب بدقة حقيقية. تمكن النموذج أيضًا من تشديد التنفيذ المعقد، وخفض جدولة الحمل وتحسين منطقة ذاكرة التخزين المؤقت. أثناء تحسين البحث عن أقرب جار تقريبي، قام النموذج بشكل استباقي بإزالة التوازي المتداخل لصالح إعادة التصميم باستخدام الترابط الفردي والتزامن الخارجي لكل استعلام. عندما واجه النموذج تكرارات حيث انخفض الاستدعاء إلى ما دون عتبة 95 بالمائة، قام بتشخيص الفشل وتعديل معلماته وتنفيذ تعويض المعلمات لاستعادة الدقة اللازمة. هذا المستوى من التصحيح الذاتي هو ما يفصل GLM-5.1 عن النماذج التي تولد التعليمات البرمجية ببساطة دون اختبارها في بيئة حية. Kernelbench: دفع حدود التعلم الآلي تم اختبار قدرة النموذج على التحمل بشكل أكبر في المستوى 3 من KernelBench، والذي يتطلب تحسينًا شاملاً لبنيات التعلم الآلي الكاملة مثل MobileNet وVGG وMiniGPT وMamba. في هذا الإعداد، الهدف هو إنتاج نواة GPU أسرع من تطبيق PyTorch المرجعي مع الحفاظ على مخرجات متطابقة. يتم تشغيل كل مشكلة من المشكلات الخمسين في حاوية Docker معزولة باستخدام وحدة معالجة رسومات H100 واحدة وتقتصر على 1200 دورة استخدام للأداة. يتم تقييم الصحة والأداء مقابل خط أساس PyTorch المتلهف في سياقات CUDA منفصلة. تسلط النتائج الضوء على فجوة كبيرة في الأداء بين GLM-5.1 وأسلافه. في حين أن GLM-5 الأصلي قد تحسن بسرعة ولكنه استقر مبكرًا بمعدل تسريع 2.6x، فقد واصل GLM-5.1 جهود التحسين لفترة أطول بكثير. وفي النهاية، حققت متوسطًا هندسيًا للتسريع يصل إلى 3.6x عبر 50 مشكلة، واستمرت في إحراز تقدم مفيد بعد 1000 دورة في استخدام الأداة. على الرغم من أن Claude Opus 4.6 لا يزال رائدًا في هذا المعيار المحدد بـ 4.2x، إلا أن GLM-5.1 قد وسع بشكل كبير الأفق الإنتاجي للنماذج مفتوحة المصدر. لا تقتصر هذه الإمكانية على مجرد وجود نافذة سياقية أطول؛ فهو يتطلب أن يحافظ النموذج على توافق الأهداف عبر التنفيذ الممتد، مما يقلل من انحراف الإستراتيجية وتراكم الأخطاء والمحاولة والخطأ غير الفعالين. تتمثل إحدى الإنجازات الرئيسية في القدرة على تشكيل تجربة مستقلة، وتحليل الحلقة وتحسينها، حيث يمكن للنموذج تشغيل المعايير بشكل استباقي، وتحديد الاختناقات، وتعديل الاستراتيجيات، وتحسين النتائج بشكل مستمر من خلال التحسين التكراري. تم تدقيق جميع الحلول التي تم إنشاؤها خلال هذه العملية بشكل مستقل من أجل استغلال المعايير، مما يضمن أن التحسينات لا تعتمد على سلوكيات معيارية محددة ولكنها تعمل مع مدخلات جديدة عشوائية مع الحفاظ على الحساب على تدفق CUDA الافتراضي. استراتيجية المنتج: الاشتراك والإعانات يتم وضع GLM-5.1 كأداة من الدرجة الهندسية بدلاً من برنامج الدردشة الآلي للمستهلك. ولدعم ذلك، قامت Z.ai بدمجها في نظام بيئي شامل لخطة الترميز مصمم للتنافس مباشرة مع أدوات المطورين المتطورة. ينقسم عرض المنتج إلى ثلاثة مستويات اشتراك، تتضمن جميعها أدوات بروتوكول سياق النموذج المجانية لتحليل الرؤية والبحث على الويب وقارئ الويب وقراءة المستندات. تم تصميم الطبقة Lite بسعر 27 دولارًا أمريكيًا لكل ربع سنة لأحمال العمل خفيفة الوزن وتوفر ثلاثة أضعاف استخدام خطة Claude Pro المماثلة. تم تصميم الطبقة الاحترافية بسعر 81 دولارًا لكل ربع سنة لأحمال العمل المعقدة، وتقدم خمسة أضعاف استخدام خطة Lite وتنفيذًا أسرع بنسبة 40 إلى 60 بالمائة. تستهدف الطبقة القصوى بسعر 216 دولارًا أمريكيًا لكل ربع سنة المطورين المتقدمين ذوي الاحتياجات كبيرة الحجم، مما يضمن الأداء المضمون خلال ساعات الذروة. بالنسبة لأولئك الذين يستخدمون واجهة برمجة التطبيقات مباشرة أو من خلال منصات مثل OpenRouter أو Requesty، قامت Z.ai بتسعير GLM-5.1 بسعر 1.40 دولارًا لكل مليون رمز إدخال و4.40 دولارًا لكل مليون رمز إخراج. هناك أيضًا خصم على ذاكرة التخزين المؤقت متاح بمبلغ 0.26 دولارًا لكل مليون رمز إدخال. نموذج المدخلات المخرجات إجمالي مصدر التكلفة Grok 4.1 Fast $0.20 $0.50 $0.70 xAI MiniMax M2.7 $0.30 $1.20 $1.50 MiniMax Gemini 3 Flash $0.50 $3.00 $3.50 Google Kimi-K2.5 $0.60 $3.00 $3.60 Moonshot MiMo-V2-Pro (≥256K) $1.00 $3.00 $4.00 Xiaomi MiMo GLM-5 $1.00 $3.20 $4.20 Z.ai GLM-5-Turbo $1.20 $4.00 $5.20 Z.ai GLM-5.1 $1.40 $4.40 $5.80 Z.ai كلود هايكو 4.5 $1.00 $5.00 $6.00 أنثروبي Qwen3-Max $1.20 $6.00 $7.20 Alibaba Cloud Gemini 3 Pro $2.00 $12.00 $14.00 Google GPT-5.2 $1.75 $14.00 $15.75 OpenAI GPT-5.4 $2.50 $15.00 $17.50 OpenAI Claude Sonnet 4.5 $3.00 $15.00 $18.00 Anthropic Claude Opus 4.6 $5.00 $25.00 $30.00 Anthropic GPT-5.4 Pro $30.00 $180.00 $210.00 OpenAI بشكل ملحوظ، يستهلك النموذج تبلغ الحصة ثلاثة أضعاف السعر القياسي خلال ساعات الذروة، والتي يتم تحديدها على أنها من الساعة 14:00 إلى الساعة 18:00 بتوقيت بكين يوميًا، على الرغم من أن العرض الترويجي لفترة محدودة حتى أبريل 2026 يسمح بمحاسبة الاستخدام خارج أوقات الذروة بسعر قياسي 1x. تكتمل السيارة الرائدة بسيارة GLM-5 Turbo التي ظهرت لأول مرة مؤخرًا. في حين أن الإصدار 5.1 هو عداء الماراثون، فإن Turbo هو العداء، وهو مملوك ومُحسّن للاستدلال السريع والمهام مثل استخدام الأدوات والأتمتة المستمرة. بتكلفة 1.20 دولارًا لكل مليون مدخل \/ 4 دولارات لكل مليون مخرج، فهو أغلى من الطراز GLM-5 الأساسي ولكنه يأتي بسعر أقل من GLM-5.1 الجديد، مما يجعله خيارًا جذابًا تجاريًا لتشغيل الوكيل عالي السرعة والخاضع للإشراف. يتم أيضًا حزم النموذج للنشر المحلي ودعم أطر الاستدلال بما في ذلك vLLM وSGLang وxLLM. تتوفر تعليمات النشر الشاملة في مستودع GitHub الرسمي، مما يسمح للمطورين بتشغيل نموذج MoE ذو 754 مليار معلمة على البنية التحتية الخاصة بهم. بالنسبة لفرق المؤسسة، يتضمن النموذج إمكانات استدلال متقدمة يمكن الوصول إليها عبر معلمة تفكير في طلبات واجهة برمجة التطبيقات، مما يسمح للنموذج بإظهار عملية الاستدلال الداخلي خطوة بخطوة قبل تقديم إجابة نهائية. المعايير: معيار عالمي جديد تشير بيانات أداء GLM-5.1 إلى أنه تجاوز العديد من النماذج الغربية الراسخة في مهام البرمجة والهندسة. في SWE-Bench Pro، الذي يقيم قدرة النموذج على حل مشكلات GitHub في العالم الحقيقي باستخدام موجه التعليمات ونافذة سياق 200000 رمز مميز، حقق GLM-5.1 درجة 58.4. بالنسبة للسياق، يتفوق هذا على GPT-5.4 عند 57.7، وClaude Opus 4.6 عند 57.3، وGemini 3.1 Pro عند 54.2. وبعيدًا عن اختبارات الترميز الموحدة، أظهر النموذج مكاسب كبيرة في الاستدلال والمعايير الفاعلية. لقد سجلت 63.5 على Terminal-Bench 2.0 عند تقييمها باستخدام إطار عمل Terminus-2 ووصلت إلى 66.5 عند إقرانها بحزام Claude Code. في CyberGym، حقق 68.7 درجة بناءً على تمريرة واحدة لأكثر من 1507 مهمة، مما يدل على تقدم بنحو 20 نقطة عن طراز GLM-5 السابق. كان أداء النموذج قويًا أيضًا على مجموعة MCP-Atlas العامة بنتيجة 71.8 وحقق 70.6 على T3-Bench. وفي مجال الاستدلال، حصل النموذج على 31.0 في الاختبار الأخير للعلوم الإنسانية، والذي قفز إلى 52.3 عندما سمح للنموذج باستخدام أدوات خارجية. في معيار مسابقة الرياضيات AIME 2026، وصلت إلى 95.3، بينما سجلت 86.2 في GPQA-Diamond للاستدلال العلمي على مستوى الخبراء. كان المعيار القصصي الأكثر إثارة للإعجاب هو اختبار السيناريو 3: بناء بيئة سطح مكتب على طراز Linux من الصفر في ثماني ساعات. على عكس النماذج السابقة التي قد تنتج شريط مهام أساسي ونافذة نائب قبل الإعلان عن اكتمال المهمة، قام GLM-5.1 بملء متصفح الملفات والمحطة الطرفية ومحرر النصوص ومراقبة النظام وحتى الألعاب الوظيفية بشكل مستقل. لقد قامت بصقل منطق التصميم والتفاعل بشكل متكرر حتى قدمت تطبيق ويب وظيفيًا ومتسقًا بصريًا. وهذا بمثابة مثال ملموس لما يصبح ممكنًا عندما يُمنح النموذج الوقت والقدرة على الاستمرار في تحسين عمله. الترخيص والجزء المفتوح يروي ترخيص هذين النموذجين قصة أكبر حول الوضع الحالي لسوق الذكاء الاصطناعي العالمي. تم إصدار GLM-5.1 بموجب ترخيص MIT، مع إتاحة أوزان نماذجه للجمهور على Hugging Face وModelScope. يتبع ذلك استراتيجية Z.ai التاريخية المتمثلة في استخدام الإصدارات مفتوحة المصدر لبناء حسن النية للمطورين والوصول إلى النظام البيئي. ومع ذلك، يظل GLM-5 Turbo ملكية خاصة ومغلقة المصدر. ويعكس هذا اتجاهًا متزايدًا بين مختبرات الذكاء الاصطناعي الرائدة نحو نموذج هجين: استخدام نماذج مفتوحة المصدر للتوزيع على نطاق واسع مع الحفاظ على المتغيرات المحسنة للتنفيذ خلف نظام حظر الاشتراك غير المدفوع. ويشير محللو الصناعة إلى أن هذا التحول يأتي وسط إعادة التوازن في السوق الصينية، حيث بدأت الشركات ذات الثقل مثل علي بابا أيضًا في تقسيم أعمالها الخاصة إلى إصداراتها المفتوحة. يبدو أن الرئيس التنفيذي لشركة Z.ai، Zhang Peng، يتغلب على هذا الأمر من خلال التأكد من أنه على الرغم من أن الذكاء الأساسي للرائد مفتوح للمجتمع، إلا أن البنية التحتية للتنفيذ عالي السرعة تظل أصلًا يدر الإيرادات. لا تعد الشركة صراحةً بفتح المصدر المفتوح لـ GLM-5 Turbo نفسها، لكنها تقول إن النتائج سيتم دمجها في الإصدارات المفتوحة المستقبلية. تساعد هذه الإستراتيجية المجزأة على تحفيز التبني مع السماح للشركة ببناء نموذج أعمال مستدام حول أعمالها الأكثر صلة تجاريًا. ردود فعل المجتمع والمستخدم: سحق عمل لمدة أسبوع لقد ركزت استجابة مجتمع المطورين لإصدار GLM-5.1 بشكل كبير على موثوقية النموذج في بيئات درجة الإنتاج. تشير مراجعات المستخدم إلى درجة عالية من الثقة في استقلالية النموذج. لاحظ أحد المطورين أن GLM-5.1 صدمهم بمدى جودته، مشيرًا إلى أنه يبدو أنه يفعل ما يريدون بشكل أكثر موثوقية من النماذج الأخرى مع الحاجة إلى إعادة صياغة أقل للمطالبات. وذكر مطور آخر أن سير العمل الإجمالي للنموذج بدءًا من التخطيط وحتى تنفيذ المشروع يؤدي أداءً ممتازًا، مما يسمح له بتكليفه بمهام معقدة بثقة. تسلط دراسات الحالة المحددة التي أجراها المستخدمون الضوء على مكاسب كبيرة في الكفاءة. أفاد أحد مستخدمي Crypto Economy News أن المهمة التي تتضمن المعالجة المسبقة للتعليمات البرمجية ومنطق اختيار الميزات وحلول ضبط المعلمات الفائقة، والتي كانت ستستغرق في الأصل أسبوعًا، قد اكتملت في يومين فقط. منذ الحصول على خطة GLM Coding، لاحظ المطورون الآخرون أنهم قادرون على العمل بحرية أكبر والتركيز على التطوير الأساسي دون القلق بشأن نقص الموارد الذي يعيق التقدم. على وسائل التواصل الاجتماعي، حقق إعلان الإطلاق أكثر من 46000 مشاهدة في الساعة الأولى، مع انبهار المستخدمين بمطالبة الحكم الذاتي لمدة ثماني ساعات. الشعور السائد بين المتبنين الأوائل هو أن Z.ai قد نجح في تجاوز عصر الذكاء الاصطناعي المليء بالهلوسة إلى فترة يمكن الوثوق فيها بالنماذج لتحسين نفسها من خلال التكرار المتكرر. لقد تم الاستشهاد بالقدرة على إنشاء أربعة تطبيقات بسرعة من خلال التوجيه الصحيح والتخطيط المنظم من قبل العديد من المستخدمين باعتبارها تطورًا يغير قواعد اللعبة للمطورين الفرديين. الآثار المترتبة على العمل طويل المدى يشير إصدار GLM-5.1 إلى أن الحدود التالية لمنافسة الذكاء الاصطناعي لن يتم قياسها بالرموز المميزة في الثانية، ولكن بالمدة المستقلة. إذا تمكن النموذج من العمل لمدة ثماني ساعات دون تدخل بشري، فإنه يغير بشكل أساسي دورة حياة تطوير البرمجيات. ومع ذلك، يعترف Z.ai بأن هذه ليست سوى البداية. لا تزال هناك تحديات كبيرة، مثل تطوير تقييم ذاتي موثوق للمهام التي لا يوجد فيها مقياس رقمي لتحسين الأداء. يعد الهروب من الأمثلية المحلية في وقت مبكر عندما يتوقف الضبط المتزايد عن تحقيق النتائج بمثابة عقبة رئيسية أخرى، كما هو الحال مع الحفاظ على التماسك في آثار التنفيذ التي تمتد لآلاف من استدعاءات الأداة. في الوقت الحالي، وضع Z.ai علامة على الرمال. مع GLM-5.1، قدموا نموذجًا لا يجيب على الأسئلة فحسب، بل ينهي المشاريع أيضًا. النموذج متوافق بالفعل مع مجموعة واسعة من أدوات المطورين بما في ذلك Claude Code وOpenCode وKilo Code وRoo Code وCline وDroid. بالنسبة للمطورين والشركات، لم يعد السؤال هو \"ما الذي يمكنني طرحه على هذا الذكاء الاصطناعي؟\" لكن \"ماذا يمكنني أن أخصصه للساعات الثماني القادمة؟\" من الواضح أن تركيز الصناعة يتحول نحو الأنظمة التي يمكنها تنفيذ عمل متعدد الخطوات بشكل موثوق مع إشراف أقل. يمثل هذا الانتقال إلى الهندسة الوكيلة مرحلة جديدة في نشر الذكاء الاصطناعي داخل العالم اقتصاد.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/anthropic-says-its-most-powerful-ai-cyber-model-is-too-dangerous-to-release",
            "title_en": "Anthropic says its most powerful AI cyber model is too dangerous to release publicly — so it built Project Glasswing",
            "summary_en": "Anthropic on Tuesday announced Project Glasswing , a sweeping cybersecurity initiative that pairs an unreleased frontier AI model — Claude Mythos Preview — with a coalition of twelve major technology and finance companies in an effort to find and patch software vulnerabilities across the world's most critical infrastructure before adversaries can exploit them. The launch partners include Amazon Web Services , Apple , Broadcom , Cisco , CrowdStrike , Google , JPMorganChase , the Linux Foundation , Microsoft , Nvidia , and Palo Alto Networks . Anthropic says it has also extended access to more than 40 additional organizations that build or maintain critical software, and is committing up to $100 million in usage credits for Claude Mythos Preview across the effort, along with $4 million ",
            "body_en": "Anthropic on Tuesday announced Project Glasswing , a sweeping cybersecurity initiative that pairs an unreleased frontier AI model — Claude Mythos Preview — with a coalition of twelve major technology and finance companies in an effort to find and patch software vulnerabilities across the world's most critical infrastructure before adversaries can exploit them. The launch partners include Amazon Web Services , Apple , Broadcom , Cisco , CrowdStrike , Google , JPMorganChase , the Linux Foundation , Microsoft , Nvidia , and Palo Alto Networks . Anthropic says it has also extended access to more than 40 additional organizations that build or maintain critical software, and is committing up to $100 million in usage credits for Claude Mythos Preview across the effort, along with $4 million in direct donations to open-source security organizations. The announcement arrives at a moment of extraordinary momentum — and extraordinary scrutiny — for the San Francisco-based AI startup. Anthropic disclosed on Sunday that its annualized revenue run rate has surpassed $30 billion , up from approximately $9 billion at the end of 2025, and the number of business customers each spending over $1 million annually now exceeds 1,000, doubling in less than two months. The company simultaneously announced a multi-gigawatt compute deal with Google and Broadcom. On the same day, Bloomberg reported that Anthropic had poached a senior Microsoft executive, Eric Boyd, to lead its infrastructure expansion. But Glasswing is something categorically different from a revenue milestone or a compute deal. It’s Anthropic's most ambitious attempt to translate frontier AI capabilities — capabilities the company itself describes as dangerous — into a defensive advantage before those same capabilities proliferate to hostile actors. Why Anthropic built a model it considers too dangerous to release publicly At the center of Project Glasswing sits Claude Mythos Preview, a general-purpose frontier model that Anthropic says has already identified thousands of high-severity zero-day vulnerabilities — meaning flaws previously unknown to software developers — in every major operating system and every major web browser, along with a range of other critical software. The company is not making the model generally available. \"We do not plan to make Claude Mythos Preview generally available due to its cybersecurity capabilities,\" Newton Cheng, Frontier Red Team Cyber Lead at Anthropic, told VentureBeat in an exclusive interview. \"However, given the rate of AI progress, it will not be long before such capabilities proliferate, potentially beyond actors who are committed to deploying them safely. The fallout — for economies, public safety, and national security — could be severe.\" That language — \"the fallout could be severe\" — is striking coming from the company that built the model. Anthropic is effectively arguing that the tool it created is powerful enough to reshape the cybersecurity landscape, and that the only responsible thing to do is to keep it restricted while giving defenders a head start. The technical results reinforce that claim. According to Anthropic's press release, Mythos Preview was able to find nearly all of the vulnerabilities it surfaced, and develop many related exploits, entirely autonomously, without any human steering. Three examples stand out: The model found a 27-year-old vulnerability in OpenBSD — widely regarded as one of the most security-hardened operating systems in the world and commonly used to run firewalls and critical infrastructure. The flaw allowed an attacker to remotely crash any machine running the OS simply by connecting to it. It also discovered a 16-year-old vulnerability in FFmpeg — the near-ubiquitous video encoding and decoding library — in a line of code that automated testing tools had exercised five million times without ever catching the problem. And perhaps most alarmingly, Mythos Preview autonomously found and chained together several vulnerabilities in the Linux kernel to escalate from ordinary user access to complete control of the machine. All three vulnerabilities have been reported to the relevant maintainers and have since been patched. For many other vulnerabilities still in the remediation pipeline, Anthropic says it is publishing cryptographic hashes of the details today, with plans to reveal specifics after fixes are in place. On the CyberGym evaluation benchmark , Mythos Preview scored 83.1%, compared to 66.6% for Claude Opus 4.6, Anthropic's next-best model. The gap is even wider on coding benchmarks: Mythos Preview achieves 93.9% on SWE-bench Verified versus 80.8% for Opus 4.6, and 77.8% on SWE-bench Pro versus 53.4%. How Anthropic plans to disclose thousands of zero-days without overwhelming open-source maintainers Finding thousands of zero-days at once sounds impressive. Actually handling the output responsibly is a logistical nightmare — and one of the sharpest criticisms that security researchers have raised about AI-driven vulnerability discovery. Flooding open-source maintainers, many of whom are unpaid volunteers, with an avalanche of critical bug reports could easily do more harm than good. Cheng told VentureBeat that Anthropic has built a triage pipeline specifically to manage this problem. \"We triage every bug that we find and then send the highest severity bugs to professional human triagers we have contracted to assist in our disclosure process by manually validating every bug report before we send it out to ensure that we send only high-quality reports to maintainers,\" he said. That pipeline is designed to prevent exactly the scenario that maintainers fear most: an automated firehose of unverified reports. \"We do not submit large volumes of findings to a single project without first reaching out in an effort to agree on a pace the maintainer can sustain,\" Cheng added. When Anthropic has access to the source code, the company aims to include a candidate patch with every report, labeled by provenance — meaning the maintainer knows the patch was written or reviewed by a model — and offers to collaborate on a production-quality fix. \"Models can write patches,\" Cheng noted, \"but there are many factors that impact patch quality, and we strongly recommend that autonomously-written patches are put under the same scrutiny and testing that human-written patches are.\" On disclosure timelines, Anthropic says it follows a coordinated vulnerability disclosure framework. Once a patch is available, the company will generally wait 45 days before publishing full technical details, giving downstream users time to deploy the fix before exploitation information becomes public. Cheng said the company may shorten that buffer \"if the details are already publicly known through other channels, or if earlier publication would materially help defenders identify and mitigate ongoing attacks,\" or extend it \"when patch deployment is unusually complex or the affected footprint is unusually broad.\" Those are reasonable principles, but they will be tested at a scale that no vulnerability disclosure program has ever attempted. The sheer volume of findings — thousands of zero-days across every major platform — means that even a well-designed triage process will face bottlenecks. And the 45-day disclosure window assumes that maintainers can actually produce, test, and ship a patch in that time, which is far from guaranteed for complex kernel-level bugs or deeply embedded cryptographic flaws. The source code leak, the CMS blunder, and why trust is Anthropic's biggest vulnerability The irony of a company claiming to build the most capable cyber model ever constructed while simultaneously suffering a string of embarrassing security lapses has not been lost on observers. In late March, a draft blog post about Mythos was left in an unsecured and publicly searchable data store — a CMS misconfiguration that exposed roughly 3,000 internal assets, including what appeared to be strategic plans for the model's rollout. Days later, on March 31, anyone who ran npm install on Claude Code pulled down Anthropic's complete original source code — 512,000 lines — for approximately three hours due to a packaging error, an incident that drew widespread attention in the developer community and was first reported by VentureBeat. When asked why partners and governments should trust Anthropic as the custodian of a model it describes as having unprecedented cyber capabilities, Cheng was direct. \"Security is central to how we build and ship,\" he told VentureBeat. \"These two incidents, a blog CMS misconfiguration and an npm packaging error, were human errors in publishing tooling, not breaches of our security architecture. We've made changes to prevent these from happening again, and we'll continue to improve our processes.\" It is a technically accurate distinction — neither incident involved a breach of Anthropic's core model weights, training infrastructure, or API systems — but it is also a distinction that may prove difficult to sustain as a public argument. For an organization asking governments and Fortune 500 companies to trust it with a tool that can autonomously find and exploit vulnerabilities in the Linux kernel, even minor operational lapses carry outsized reputational risk. The fact that the Mythos leak itself was what first alerted the security community to the model's existence, weeks before the planned announcement, underscores the point. What Microsoft, CrowdStrike, and the Linux Foundation found when they tested the model The coalition's breadth is notable. It includes direct competitors — Google and Microsoft — alongside cybersecurity incumbents, financial institutions, and the steward of the world's largest open-source ecosystem. And several partners have already been running Mythos Preview against their own infrastructure for weeks. CrowdStrike's CTO Elia Zaitsev framed the initiative in terms of collapsing timelines: \"The window between a vulnerability being discovered and being exploited by an adversary has collapsed — what once took months now happens in minutes with AI.\" AWS Vice President and CISO Amy Herzog said her teams have already been testing Mythos Preview against critical codebases, where the model is \"already helping us strengthen our code.\" And Microsoft's Global CISO Igor Tsyganskiy noted that when tested against CTI-REALM, Microsoft's open-source security benchmark, \"Claude Mythos Preview showed substantial improvements compared to previous models.\" Perhaps the most revealing comment came from Jim Zemlin, CEO of the Linux Foundation, who pointed to the fundamental asymmetry that has plagued open-source security for decades: \"In the past, security expertise has been a luxury reserved for organizations with large security teams. Open-source maintainers — whose software underpins much of the world's critical infrastructure — have historically been left to figure out security on their own.\" Project Glasswing, he said, \"offers a credible path to changing that equation.\" To back that claim with dollars, Anthropic says it has donated $2.5 million to Alpha-Omega and OpenSSF through the Linux Foundation , and $1.5 million to the Apache Software Foundation . Maintainers interested in access can apply through Anthropic's Claude for Open Source program. Inside the pricing, the compute deal, and Anthropic's path toward a potential IPO After the research preview period — during which Anthropic's $100 million credit commitment will cover most usage — Claude Mythos Preview will be available to participants at $25 per million input tokens and $125 per million output tokens. Participants can access the model through the Claude API, Amazon Bedrock , Google Cloud's Vertex AI , and Microsoft Foundry . Those prices reflect the model's computational intensity. The draft blog post that leaked in March described Mythos as a large, compute-intensive model that would be expensive for both Anthropic and its customers to serve. Anthropic's solution is to develop and launch new safeguards with an upcoming Claude Opus model, allowing the company to \"improve and refine them with a model that does not pose the same level of risk as Mythos Preview,\" as Cheng told VentureBeat. Security professionals whose legitimate work is affected by those safeguards will be able to apply to an upcoming Cyber Verification Program. The financial context matters. The same day Project Glasswing launched, Anthropic disclosed its revenue milestone and the Google-Broadcom compute deal. Broadcom signed an expanded deal with Anthropic that will give the AI startup access to about 3.5 gigawatts worth of computing capacity drawing on Google's AI processors, according to CNBC . The scale of compute being marshaled is staggering — and it helps explain why Anthropic needs both the revenue from enterprise cybersecurity partnerships and the infrastructure to serve a model of Mythos Preview's size. The timing also intersects with growing speculation about Anthropic's path to a public offering. The company is reportedly evaluating an IPO as early as October 2026 . A high-profile, government-adjacent cybersecurity initiative with blue-chip partners is exactly the kind of program that burnishes an IPO narrative — particularly when the company can simultaneously point to $30 billion in annualized revenue and a compute footprint measured in gigawatts. Anthropic says defenders have months, not years, before adversaries catch up The most consequential question raised by Project Glasswing is not whether Mythos Preview's capabilities are real — the partner endorsements and patched vulnerabilities suggest they are — but how much time defenders actually have before similar capabilities are available to adversaries. Cheng was candid about the timeline. \"Frontier AI capabilities are likely to advance substantially over just the next few months,\" he told VentureBeat. \"Given the rate of AI progress, it will not be long before such capabilities proliferate, potentially beyond actors who are committed to deploying them safely.\" He described Project Glasswing as \"an important step toward giving defenders a durable advantage in the coming AI-driven era of cybersecurity\" but added a crucial caveat: \"It's important to note, this is a starting point. No one organization can solve these cybersecurity problems alone.\" That framing — months, not years — is worth taking seriously. DARPA launched its original Cyber Grand Challenge in 2016 , a competition to create automatic defensive systems capable of reasoning about flaws, formulating patches, and deploying them on a network in real time. At the time, the winning AI-powered bot, Mayhem, finished last when placed against human teams at DEF CON. A decade later, Anthropic is claiming that a frontier AI model can find vulnerabilities that survived 27 years of expert human review and millions of automated security tests — and can chain exploits together autonomously to achieve full system compromise. The delta between those two data points illustrates why the industry is treating this as a genuine inflection point, not a marketing exercise. Anthropic itself has firsthand experience with the offensive side of this equation: the company disclosed in November 2025 that a Chinese state-sponsored group achieved 80 to 90 percent autonomous tactical execution using Claude across approximately 30 targets, according to Anthropic's misuse report . Project Glasswing arrives during one of the most turbulent weeks in Anthropic's history. In the span of days, the company has announced a model it considers too dangerous for public release, disclosed that its revenue has tripled, sealed a multi-gigawatt compute deal, hired a senior Microsoft executive, made it more expensive for Claude Code subscribers to use third-party tools like OpenClaw, and weathered a major outage of its Claude chatbot on Tuesday morning. Anthropic says it will report publicly on what it has learned within 90 days. In the medium term, the company has proposed that an independent, third-party body might be the ideal home for continued work on large-scale cybersecurity projects. Whether any of that is fast enough depends on a race that is already underway. Anthropic built a model that can autonomously crack open the most hardened operating systems on the planet — and is now betting that sharing it with defenders, under careful restrictions, will do more good than the inevitable moment when similar capabilities land in less careful hands. It is, in essence, a wager that transparency can outrun proliferation. The next few months will determine whether that bet pays off, or whether the glasswing's wings were never quite opaque enough to hide what was coming.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6SaGXxoA2WaaomE4o3ATIx\/e0ed70fe2b8554b83f11998884a52c0b\/nuneybits_Vector_art_of_a_retro_CRT_computer_image_in_burnt_ora_f8676585-ba7c-4170-bb90-6ad2e8a2668e.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/anthropic-says-its-most-powerful-ai-cyber-model-is-too-dangerous-to-release",
            "date": "2026-04-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تقول شركة Anthropic إن نموذجها الإلكتروني الأقوى للذكاء الاصطناعي يعد خطيرًا جدًا بحيث لا يمكن نشره علنًا، لذلك قامت ببناء مشروع Glasswing",
            "summary_ar": "أعلنت Anthropic يوم الثلاثاء عن مشروع Glasswing، وهي مبادرة شاملة للأمن السيبراني تجمع بين نموذج الذكاء الاصطناعي الحدودي الذي لم يتم إصداره - Claude Mythos Preview - مع تحالف من اثنتي عشرة شركة كبرى في مجال التكنولوجيا والتمويل في محاولة للعثور على ثغرات البرمجيات وتصحيحها عبر البنية التحتية الأكثر أهمية في العالم قبل أن يتمكن الخصوم من استغلالها. يشمل شركاء الإطلاق Amazon Web Services، وApple، وBroadcom، وCisco، وCrowdStrike، وGoogle، وJPMorganChase، وLinux Foundation، وMicrosoft، وNvidia، وPalo Alto Networks. تقول Anthropic إنها قامت أيضًا بتوسيع نطاق الوصول إلى أكثر من 40 مؤسسة إضافية تقوم ببناء أو صيانة البرامج المهمة، وتلتزم بما يصل إلى 100 مليون دولار من أرصدة الاستخدام لـ Claude Mythos Preview عبر هذا الجهد، إلى جانب 4 ملايين دولار",
            "body_ar": "أعلنت Anthropic يوم الثلاثاء عن مشروع Glasswing، وهي مبادرة شاملة للأمن السيبراني تجمع بين نموذج الذكاء الاصطناعي الحدودي الذي لم يتم إصداره - Claude Mythos Preview - مع تحالف من اثنتي عشرة شركة كبرى في مجال التكنولوجيا والتمويل في محاولة للعثور على ثغرات البرمجيات وتصحيحها عبر البنية التحتية الأكثر أهمية في العالم قبل أن يتمكن الخصوم من استغلالها. يشمل شركاء الإطلاق Amazon Web Services، وApple، وBroadcom، وCisco، وCrowdStrike، وGoogle، وJPMorganChase، وLinux Foundation، وMicrosoft، وNvidia، وPalo Alto Networks. تقول Anthropic إنها قامت أيضًا بتوسيع الوصول إلى أكثر من 40 منظمة إضافية تقوم ببناء أو صيانة البرامج المهمة، وتلتزم بما يصل إلى 100 مليون دولار من أرصدة الاستخدام لـ Claude Mythos Preview عبر هذا الجهد، إلى جانب 4 ملايين دولار من التبرعات المباشرة لمنظمات الأمن مفتوحة المصدر. ويأتي هذا الإعلان في لحظة من الزخم الاستثنائي - والتدقيق الاستثنائي - لشركة الذكاء الاصطناعي الناشئة التي يقع مقرها في سان فرانسيسكو. كشفت Anthropic يوم الأحد أن معدل تشغيل إيراداتها السنوي قد تجاوز 30 مليار دولار، ارتفاعًا من حوالي 9 مليارات دولار في نهاية عام 2025، وأن عدد العملاء التجاريين الذين ينفق كل منهم أكثر من مليون دولار سنويًا يتجاوز الآن 1000، وهو ما يتضاعف في أقل من شهرين. أعلنت الشركة في الوقت نفسه عن صفقة حوسبة متعددة الغيغاوات مع Google وBroadcom. في نفس اليوم، ذكرت بلومبرج أن شركة أنثروبيك قد استولت على أحد كبار المسؤولين التنفيذيين في شركة مايكروسوفت، إريك بويد، لقيادة توسعة بنيتها التحتية. لكن شركة Glasswing هي شيء مختلف تمامًا عن تحقيق الإيرادات أو صفقة الحوسبة. إنها محاولة Anthropic الأكثر طموحًا لترجمة قدرات الذكاء الاصطناعي الحدودية - القدرات التي تصفها الشركة نفسها بأنها خطيرة - إلى ميزة دفاعية قبل أن تنتشر تلك القدرات نفسها إلى جهات فاعلة معادية. لماذا قامت Anthropic ببناء نموذج تعتبره خطيرًا جدًا بحيث لا يمكن نشره علنًا في قلب مشروع Glasswing، يوجد Claude Mythos Preview، وهو نموذج حدودي للأغراض العامة تقول Anthropic إنه حدد بالفعل الآلاف من ثغرات اليوم صفر عالية الخطورة - أي العيوب التي لم تكن معروفة سابقًا لمطوري البرامج - في كل نظام تشغيل رئيسي وكل متصفح ويب رئيسي، إلى جانب مجموعة من البرامج الهامة الأخرى. لا تجعل الشركة النموذج متاحًا بشكل عام. قال نيوتن تشينج، قائد فريق Frontier Red Team Cyber ​​Lead في Anthropic، لـ VentureBeat في مقابلة حصرية: \"نحن لا نخطط لجعل Claude Mythos Preview متاحة بشكل عام نظرًا لقدراتها في مجال الأمن السيبراني\". \"ومع ذلك، ونظراً لمعدل تقدم الذكاء الاصطناعي، فلن يمر وقت طويل قبل أن تنتشر هذه القدرات، وربما تتجاوز الجهات الفاعلة الملتزمة بنشرها بأمان. يمكن أن تكون التداعيات - على الاقتصادات والسلامة العامة والأمن القومي - شديدة\". هذه اللغة - \"التداعيات يمكن أن تكون شديدة\" - مذهلة قادمة من الشركة التي صممت النموذج. وتجادل أنثروبيك فعليًا بأن الأداة التي أنشأتها قوية بما يكفي لإعادة تشكيل مشهد الأمن السيبراني، وأن الشيء المسؤول الوحيد الذي يجب فعله هو إبقائها مقيدة مع إعطاء المدافعين السبق. وتعزز النتائج الفنية هذا الادعاء. وفقًا لبيان Anthropic الصحفي، تمكنت Mythos Preview من العثور على جميع الثغرات الأمنية التي ظهرت تقريبًا، وتطوير العديد من الثغرات ذات الصلة، بشكل مستقل تمامًا، دون أي توجيه بشري. تبرز ثلاثة أمثلة: اكتشف النموذج ثغرة أمنية عمرها 27 عامًا في OpenBSD - الذي يُنظر إليه على نطاق واسع على أنه أحد أنظمة التشغيل الأكثر تشددًا من الناحية الأمنية في العالم ويستخدم بشكل شائع لتشغيل جدران الحماية والبنية التحتية الحيوية. سمح الخلل للمهاجم بتعطيل أي جهاز يعمل بنظام التشغيل عن بعد بمجرد الاتصال به. واكتشفت أيضًا ثغرة عمرها 16 عامًا في FFmpeg - مكتبة تشفير وفك تشفير الفيديو شبه المنتشرة - في سطر من التعليمات البرمجية التي جربتها أدوات الاختبار الآلية خمسة ملايين مرة دون اكتشاف المشكلة على الإطلاق. ولعل الأمر الأكثر إثارة للقلق هو أن Mythos Preview عثر بشكل مستقل على العديد من نقاط الضعف في Linux kernel وربطها معًا للتصعيد من وصول المستخدم العادي إلى التحكم الكامل في الجهاز. تم الإبلاغ عن جميع نقاط الضعف الثلاث إلى المشرفين المعنيين وتم تصحيحها منذ ذلك الحين. بالنسبة للعديد من الثغرات الأمنية الأخرى التي لا تزال في طور المعالجة، تقول Anthropic إنها تنشر تجزئات تشفير للتفاصيل اليوم، مع خطط للكشف عن التفاصيل بعد إجراء الإصلاحات. في معيار تقييم CyberGym، سجلت Mythos Preview 83.1%، مقارنة بـ 66.6% لـ Claude Opus 4.6، ثاني أفضل نموذج لشركة Anthropic. وتتسع الفجوة أكثر في معايير البرمجة: حققت Mythos Preview 93.9% على SWE-bench Verified مقابل 80.8% لـ Opus 4.6، و77.8% على SWE-bench Pro مقابل 53.4%. كيف تخطط Anthropic للكشف عن آلاف الأيام الصفرية دون إرباك القائمين على صيانة المصادر المفتوحة؟ إن العثور على آلاف الأيام الصفرية في وقت واحد يبدو مثيرًا للإعجاب. في الواقع، يعد التعامل مع المخرجات بمسؤولية كابوسًا لوجستيًا - وواحدًا من أشد الانتقادات التي أثارها الباحثون الأمنيون حول اكتشاف الثغرات الأمنية المعتمدة على الذكاء الاصطناعي. إن إغراق القائمين على صيانة المصادر المفتوحة، وكثير منهم متطوعين بدون أجر، بسيل من تقارير الأخطاء الحرجة يمكن أن يؤدي بسهولة إلى ضرر أكثر من نفعه. أخبر تشنغ VentureBeat أن Anthropic قامت ببناء خط أنابيب فرز خصيصًا لإدارة هذه المشكلة. وقال: \"نحن نقوم بفرز كل خطأ نجده ثم نرسل الأخطاء الأكثر خطورة إلى القائمين على الفرز البشريين المحترفين الذين تعاقدنا معهم للمساعدة في عملية الكشف لدينا عن طريق التحقق يدويًا من صحة كل تقرير خطأ قبل إرساله للتأكد من أننا نرسل فقط تقارير عالية الجودة إلى المشرفين\". تم تصميم خط الأنابيب هذا لمنع السيناريو الذي يخشاه المشرفون أكثر من غيره: خرطوم إطفاء آلي للتقارير التي لم يتم التحقق منها. وأضاف تشنغ: \"نحن لا نقدم كميات كبيرة من النتائج إلى مشروع واحد دون التواصل أولاً في محاولة للاتفاق على وتيرة يمكن أن يتحملها المشرف\". عندما تتمكن Anthropic من الوصول إلى الكود المصدري، تهدف الشركة إلى تضمين تصحيح مرشح مع كل تقرير، مع تصنيفه حسب المصدر - مما يعني أن المشرف يعرف أن التصحيح قد تم كتابته أو مراجعته بواسطة نموذج - وتعرض التعاون في إصلاح جودة الإنتاج. وأشار تشينج إلى أن \"النماذج يمكنها كتابة التصحيحات، ولكن هناك العديد من العوامل التي تؤثر على جودة التصحيح، ونحن نوصي بشدة بوضع التصحيحات المكتوبة بشكل مستقل تحت نفس التدقيق والاختبار الذي تخضع له التصحيحات المكتوبة بواسطة الإنسان\". فيما يتعلق بالجداول الزمنية للكشف، تقول Anthropic إنها تتبع إطارًا منسقًا للكشف عن الثغرات الأمنية. بمجرد توفر التصحيح، ستنتظر الشركة بشكل عام 45 يومًا قبل نشر التفاصيل الفنية الكاملة، مما يمنح المستخدمين الوقت لنشر الإصلاح قبل أن تصبح معلومات الاستغلال علنية. وقال تشنغ إن الشركة قد تختصر هذا المخزن المؤقت \"إذا كانت التفاصيل معروفة علنًا من خلال قنوات أخرى، أو إذا كان النشر المبكر سيساعد المدافعين بشكل مادي على تحديد الهجمات المستمرة وتخفيفها\"، أو تمديدها \"عندما يكون نشر التصحيح معقدًا بشكل غير عادي أو تكون البصمة المتأثرة واسعة بشكل غير عادي\". هذه مبادئ معقولة، ولكن سيتم اختبارها على نطاق لم يحاول أي برنامج للكشف عن الثغرات الأمنية من قبل. إن الحجم الهائل للنتائج - آلاف الأيام الصفرية عبر كل منصة رئيسية - يعني أنه حتى عملية الفرز المصممة جيدًا ستواجه اختناقات. وتفترض نافذة الكشف لمدة 45 يومًا أن المشرفين يمكنهم بالفعل إنتاج التصحيح واختباره وشحنه في ذلك الوقت، وهو أمر بعيد عن أن يكون مضمونًا للأخطاء المعقدة على مستوى النواة أو عيوب التشفير العميقة. تسرب كود المصدر، والخطأ الفادح في نظام إدارة المحتوى (CMS)، ولماذا تعتبر الثقة أكبر ثغرة في Anthropic؟ إن المفارقة المتمثلة في شركة تدعي أنها تبني النموذج السيبراني الأكثر قدرة على الإطلاق بينما تعاني في الوقت نفسه من سلسلة من الهفوات الأمنية المحرجة لم تغب عن المراقبين. في أواخر شهر مارس، تُركت مسودة منشور مدونة حول Mythos في مخزن بيانات غير آمن وقابل للبحث بشكل عام - وهو تكوين خاطئ لنظام إدارة المحتوى (CMS) كشف عن ما يقرب من 3000 من الأصول الداخلية، بما في ذلك ما يبدو أنه خطط استراتيجية لبدء تشغيل النموذج. بعد أيام، في 31 مارس، قام أي شخص قام بتشغيل تثبيت npm على Claude Code بسحب كود المصدر الأصلي الكامل لـ Anthropic - 512000 سطر - لمدة ثلاث ساعات تقريبًا بسبب خطأ في التغليف، وهي الحادثة التي لفتت انتباهًا واسع النطاق في مجتمع المطورين وتم الإبلاغ عنها لأول مرة بواسطة VentureBeat. عندما سئل لماذا يجب على الشركاء والحكومات أن يثقوا في شركة أنثروبك باعتبارها الوصي على النموذج الذي تصفه بأنه يتمتع بقدرات سيبرانية غير مسبوقة، كان تشنغ مباشرا. وقال لـ VentureBeat: \"الأمن أمر أساسي في كيفية البناء والشحن\". \"هاتان الحادثتان، التكوين الخاطئ لنظام إدارة المحتوى للمدونة وخطأ تغليف npm، كانتا أخطاء بشرية في نشر الأدوات، وليست انتهاكات لبنية الأمان لدينا. لقد أجرينا تغييرات لمنع حدوث ذلك مرة أخرى، وسنواصل تحسين عملياتنا.\" إنه تمييز دقيق من الناحية الفنية - لم يتضمن أي من الحادثين انتهاكًا لأوزان نموذج Anthropic الأساسية، أو البنية التحتية للتدريب، أو أنظمة واجهة برمجة التطبيقات - ولكنه أيضًا تمييز قد يكون من الصعب الحفاظ عليه كحجة عامة. بالنسبة لمنظمة تطلب من الحكومات وشركات Fortune 500 أن تثق بها بأداة يمكنها اكتشاف نقاط الضعف في Linux kernel واستغلالها بشكل مستقل، فإن حتى الهفوات التشغيلية البسيطة تحمل مخاطر كبيرة على السمعة. حقيقة أن تسرب Mythos نفسه كان أول ما نبه المجتمع الأمني ​​إلى وجود النموذج، قبل أسابيع من الإعلان المخطط له، يؤكد هذه النقطة. ما وجدته ميكروسوفت وCrowdStrike ومؤسسة Linux عندما قاموا باختبار النموذج إن اتساع نطاق التحالف ملحوظ. وهي تضم منافسين مباشرين – جوجل ومايكروسوفت – إلى جانب شركات الأمن السيبراني والمؤسسات المالية ومشرف أكبر نظام بيئي مفتوح المصدر في العالم. وقد قام العديد من الشركاء بالفعل بتشغيل Mythos Preview على البنية التحتية الخاصة بهم منذ أسابيع. قام إيليا زايتسيف، كبير مسؤولي التكنولوجيا في CrowdStrike، بإطار المبادرة من حيث الجداول الزمنية المنهارة: \"لقد انهارت النافذة بين اكتشاف الثغرة الأمنية واستغلالها من قبل الخصم - ما كان يستغرق شهورًا في السابق أصبح الآن في دقائق مع الذكاء الاصطناعي.\" قالت نائبة رئيس AWS ورئيسة قسم تكنولوجيا المعلومات، إيمي هيرزوغ، إن فرقها قامت بالفعل باختبار Mythos Preview مقابل قواعد التعليمات البرمجية المهمة، حيث يساعدنا النموذج \"بالفعل على تعزيز التعليمات البرمجية الخاصة بنا.\" وقد أشار إيجور تسيجانسكي، كبير مسؤولي أمن المعلومات العالمي بشركة Microsoft، إلى ذلك عند اختباره مقابل CTI-REALM، وهو معيار الأمان مفتوح المصدر من Microsoft، \"أظهر Claude Mythos Preview تحسينات كبيرة مقارنة بالنماذج السابقة.\" ولعل التعليق الأكثر دلالة جاء من جيم زيملين، الرئيس التنفيذي لمؤسسة Linux، الذي أشار إلى عدم التماثل الأساسي الذي ابتلي به أمن المصادر المفتوحة لعقود من الزمن: \"في الماضي، كانت الخبرة الأمنية ترفًا مخصصًا للمؤسسات التي لديها فرق أمنية كبيرة. تاريخيًا، تُرك القائمون على صيانة المصادر المفتوحة - الذين تدعم برامجهم جزءًا كبيرًا من البنية التحتية الحيوية في العالم - لاكتشاف الأمن بأنفسهم.\" وقال إن مشروع Glasswing \"يقدم طريقًا موثوقًا لتغيير هذه المعادلة.\" ولدعم هذا الادعاء بالدولار، تقول Anthropic إنها تبرعت بمبلغ 2.5 مليون دولار لـ Alpha-Omega وOpenSSF من خلال مؤسسة Linux، و1.5 مليون دولار لمؤسسة Apache Software Foundation. يمكن لمشرفي الصيانة المهتمين بالوصول التقديم من خلال برنامج Anthropic’s Claude for Open Source. داخل التسعير، وصفقة الحوسبة، ومسار Anthropic نحو الاكتتاب العام الأولي المحتمل. بعد فترة معاينة البحث - والتي سيغطي خلالها التزام Anthropic الائتماني البالغ 100 مليون دولار معظم الاستخدام - ستكون Claude Mythos Preview متاحة للمشاركين بسعر 25 دولارًا لكل مليون رمز إدخال و125 دولارًا لكل مليون رمز إخراج. يمكن للمشاركين الوصول إلى النموذج من خلال Claude API وAmazon Bedrock وVertex AI من Google Cloud وMicrosoft Foundry. وتعكس هذه الأسعار الكثافة الحسابية للنموذج. وصفت مسودة منشور المدونة التي تم تسريبها في شهر مارس Mythos بأنها نموذج كبير كثيف الاستخدام للحوسبة والذي سيكون مكلفًا لكل من Anthropic وعملائها لخدمته. الحل الذي تقدمه Anthropic هو تطوير وإطلاق ضمانات جديدة باستخدام نموذج Claude Opus القادم، مما يسمح للشركة \"بتحسينها وتحسينها باستخدام نموذج لا يشكل نفس مستوى المخاطرة مثل Mythos Preview\"، كما قال Cheng لـ VentureBeat. سيتمكن متخصصو الأمن الذين يتأثر عملهم المشروع بهذه الضمانات من التقدم إلى برنامج التحقق السيبراني القادم. السياق المالي مهم. في نفس اليوم الذي تم فيه إطلاق مشروع Glasswing، كشفت Anthropic عن أهم إنجازاتها في مجال الإيرادات وعن صفقة الحوسبة بين Google وBroadcom. وقعت Broadcom صفقة موسعة مع Anthropic ستمنح الشركات الناشئة في مجال الذكاء الاصطناعي إمكانية الوصول إلى حوالي 3.5 جيجاوات من سعة الحوسبة بالاعتماد على معالجات الذكاء الاصطناعي من Google، وفقًا لـ CNBC. إن حجم الحوسبة التي يتم تنظيمها مذهل - ويساعد في تفسير سبب احتياج Anthropic إلى كل من الإيرادات من شراكات الأمن السيبراني للمؤسسات والبنية التحتية لخدمة نموذج بحجم Mythos Preview. يتقاطع التوقيت أيضًا مع التكهنات المتزايدة حول مسار Anthropic إلى طرح عام. وبحسب ما ورد تقوم الشركة بتقييم الاكتتاب العام في وقت مبكر من أكتوبر 2026. إن مبادرة الأمن السيبراني رفيعة المستوى والمجاورة للحكومة مع شركاء من الشركات الكبرى هي بالضبط نوع البرنامج الذي يصقل سرد الاكتتاب العام الأولي - خاصة عندما تتمكن الشركة من الإشارة في نفس الوقت إلى 30 مليار دولار من الإيرادات السنوية وبصمة حسابية تقاس بالجيجاواط. يقول Anthropic أن المدافعين لديهم أشهر، وليس سنوات، قبل أن يلحق بهم الخصوم. السؤال الأكثر أهمية الذي أثاره Project Glasswing ليس ما إذا كانت قدرات Mythos Preview حقيقية - تشير موافقات الشركاء ونقاط الضعف المصححة إلى أنها حقيقية - ولكن كم من الوقت يمتلكه المدافعون بالفعل قبل أن تتوفر قدرات مماثلة للأعداء. وكان تشينغ صريحا بشأن الجدول الزمني. وقال لـ VentureBeat: \"من المرجح أن تتقدم قدرات الذكاء الاصطناعي الحدودية بشكل كبير خلال الأشهر القليلة المقبلة\". \"نظرًا لمعدل تقدم الذكاء الاصطناعي، فلن يمر وقت طويل قبل أن تنتشر هذه القدرات، وربما تتجاوز الجهات الفاعلة الملتزمة بنشرها بأمان.\" ووصف مشروع Glasswing بأنه \"خطوة مهمة نحو منح المدافعين ميزة دائمة في عصر الأمن السيبراني القادم الذي يعتمد على الذكاء الاصطناعي\" لكنه أضاف تحذيرًا مهمًا: \"من المهم ملاحظة أن هذه نقطة بداية. لا يمكن لأي منظمة أن تحل مشاكل الأمن السيبراني هذه بمفردها.\" هذا التأطير - أشهر، وليس سنوات - يستحق أن يؤخذ على محمل الجد. أطلقت DARPA التحدي السيبراني الكبير الأصلي في عام 2016، وهي مسابقة لإنشاء أنظمة دفاعية تلقائية قادرة على التفكير في العيوب، وصياغة التصحيحات، ونشرها على الشبكة في الوقت الحقيقي. في ذلك الوقت، احتل الروبوت الفائز، Mayhem، الذي يعمل بالذكاء الاصطناعي، المركز الأخير عندما تم وضعه ضد الفرق البشرية في DEF CON. وبعد مرور عقد من الزمن، تزعم شركة Anthropic أن نموذج الذكاء الاصطناعي الرائد يمكنه اكتشاف الثغرات الأمنية التي نجت من 27 عامًا من المراجعة البشرية المتخصصة والملايين من اختبارات الأمان الآلية - ويمكنه ربط عمليات الاستغلال معًا بشكل مستقل لتحقيق تسوية كاملة للنظام. توضح الدلتا بين نقطتي البيانات هاتين سبب تعامل الصناعة مع هذا الأمر كنقطة انعطاف حقيقية، وليس كتمرين تسويقي. تتمتع Anthropic نفسها بخبرة مباشرة في الجانب الهجومي من هذه المعادلة: فقد كشفت الشركة في نوفمبر 2025 أن مجموعة ترعاها الدولة الصينية حققت تنفيذًا تكتيكيًا مستقلاً بنسبة 80 إلى 90 بالمائة باستخدام كلود عبر ما يقرب من 30 هدفًا، وفقًا لتقرير Anthropic حول إساءة الاستخدام. يصل مشروع Glasswing خلال أحد الأسابيع الأكثر اضطرابًا في تاريخ الأنثروبيك. في غضون أيام، أعلنت الشركة عن نموذج تعتبره خطيرًا للغاية بحيث لا يمكن نشره للعامة، وكشفت أن إيراداتها تضاعفت ثلاث مرات، وأبرمت صفقة حوسبة متعددة الغيغاوات، وعينت مسؤولًا تنفيذيًا كبيرًا في Microsoft، وجعلت استخدام أدوات الطرف الثالث مثل OpenClaw أكثر تكلفة بالنسبة لمشتركي Claude Code، وتغلبت على انقطاع كبير في برنامج Claude chatbot الخاص بها صباح يوم الثلاثاء. تقول أنثروبيك إنها ستقدم تقريرًا علنيًا عما تعلمته في غضون 90 يومًا. على المدى المتوسط، اقترحت الشركة أن تكون هيئة خارجية مستقلة هي المكان المثالي لمواصلة العمل في مشاريع الأمن السيبراني واسعة النطاق. ما إذا كان أي من ذلك سريعًا بدرجة كافية يعتمد على السباق الجاري بالفعل. قامت شركة Anthropic ببناء نموذج يمكنه بشكل مستقل فتح أنظمة التشغيل الأكثر صلابة على هذا الكوكب - وهي تراهن الآن على أن مشاركتها مع المدافعين، في ظل قيود دقيقة، ستحقق نتائج أفضل من اللحظة الحتمية عندما تقع قدرات مماثلة في أيدٍ أقل حرصًا. وهو في جوهره رهان على أن الشفافية يمكن أن تتفوق على انتشار الأسلحة النووية. ستحدد الأشهر القليلة المقبلة ما إذا كان هذا الرهان سيؤتي ثماره، أو ما إذا كانت أجنحة الجناح الزجاجي لم تكن أبدًا مبهمة بما يكفي لإخفاء ما كان موجودًا. آت.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/07\/1134966\/enabling-agent-first-process-redesign\/",
            "title_en": "Enabling agent-first process redesign",
            "summary_en": "Unlike static, rules-based systems, AI agents can learn, adapt, and optimize processes dynamically. As they interact with data, systems, people, and other agents in real time, AI agents can execute entire workflows autonomously. But unlocking their potential requires redesigning processes around agents rather than bolting them onto fragmented legacy workflows using traditional optimization methods. Companies must become agent first. DOWNLOAD THE ARTICLE In an agent-first enterprise, AI systems operate processes while humans set goals, define policy constraints, and handle exceptions. “You need to shift the operating model to humans as governors and agents as operators,” says Scott Rodgers, global chief architect and U.S. CTO of the Deloitte Microsoft Technology Practice. The agent-first im",
            "body_en": "Unlike static, rules-based systems, AI agents can learn, adapt, and optimize processes dynamically. As they interact with data, systems, people, and other agents in real time, AI agents can execute entire workflows autonomously. But unlocking their potential requires redesigning processes around agents rather than bolting them onto fragmented legacy workflows using traditional optimization methods. Companies must become agent first. DOWNLOAD THE ARTICLE In an agent-first enterprise, AI systems operate processes while humans set goals, define policy constraints, and handle exceptions. “You need to shift the operating model to humans as governors and agents as operators,” says Scott Rodgers, global chief architect and U.S. CTO of the Deloitte Microsoft Technology Practice. The agent-first imperative With technology budgets for AI expected to increase more than 70% over the next two years, AI agents, powered by generative AI, are poised to fundamentally transform organizations and achieve results beyond traditional automation. These initiatives have the potential to produce significant performance gains, while shifting humans toward higher value work. AI is advancing so quickly that static approaches to task automation will likely only produce incremental gains. Because legacy processes aren’t built for autonomous systems, AI agents require machine-readable process definitions, explicit policy constraints, and structured data flows, according to Rodgers. Further complicating matters, many organizations don’t understand the full economic drivers of their business, such as cost to serve and per-transaction costs. As a result, they have trouble prioritizing agents that can create the most value and instead focus on flashy pilots. To achieve structural change, executives should think differently. Companies must instead orchestrate outcomes faster than competitors. “The real risk isn’t that AI won’t work—it’s that competitors will redesign their operating models while you’re still piloting agents and copilots,” says Rodgers. “Nonlinear gains come when companies create agent-centric workflows with human governance and adaptive orchestration.” Routine and repetitive tasks are increasingly handled automatically, freeing employees to focus on higher value, creative, and strategic work. This shift improves operational efficiency, fosters stronger collaboration, and generates faster decision-making—helping organizations modernize the workplace without sacrificing enterprise security. Download the article. This content was produced by Insights, the custom content arm of MIT Technology Review. It was not written by MIT Technology Review’s editorial staff. It was researched, designed, and written by human writers, editors, analysts, and illustrators. This includes the writing of surveys and collection of data for surveys. AI tools that may have been used were limited to secondary production processes that passed thorough human review.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/03\/Deloitte-Landing-Page-Card.png?w=1200",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/07\/1134966\/enabling-agent-first-process-redesign\/",
            "date": "2026-04-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تمكين إعادة تصميم عملية الوكيل أولاً",
            "summary_ar": "على عكس الأنظمة الثابتة القائمة على القواعد، يمكن لوكلاء الذكاء الاصطناعي التعلم والتكيف وتحسين العمليات بشكل ديناميكي. أثناء تفاعلهم مع البيانات والأنظمة والأشخاص والوكلاء الآخرين في الوقت الفعلي، يمكن لوكلاء الذكاء الاصطناعي تنفيذ عمليات سير العمل بالكامل بشكل مستقل. لكن إطلاق العنان لإمكاناتهم يتطلب إعادة تصميم العمليات حول الوكلاء بدلاً من دمجهم في مسارات عمل قديمة مجزأة باستخدام أساليب التحسين التقليدية. يجب أن تصبح الشركات وكيلا أولا. قم بتنزيل المقال في مؤسسة العميل أولاً، تقوم أنظمة الذكاء الاصطناعي بتشغيل العمليات بينما يحدد البشر الأهداف، ويحددون قيود السياسة، ويتعاملون مع الاستثناءات. يقول سكوت رودجرز، كبير المهندسين العالميين والمدير التنفيذي للتكنولوجيا في شركة Deloitte Microsoft Technology Practice في الولايات المتحدة: \"أنت بحاجة إلى تحويل نموذج التشغيل إلى البشر كمحافظين ووكلاء كمشغلين\". الوكيل أولا أنا",
            "body_ar": "على عكس الأنظمة الثابتة القائمة على القواعد، يمكن لوكلاء الذكاء الاصطناعي التعلم والتكيف وتحسين العمليات بشكل ديناميكي. أثناء تفاعلهم مع البيانات والأنظمة والأشخاص والوكلاء الآخرين في الوقت الفعلي، يمكن لوكلاء الذكاء الاصطناعي تنفيذ عمليات سير العمل بالكامل بشكل مستقل. لكن إطلاق العنان لإمكاناتهم يتطلب إعادة تصميم العمليات حول الوكلاء بدلاً من دمجهم في مسارات عمل قديمة مجزأة باستخدام أساليب التحسين التقليدية. يجب أن تصبح الشركات وكيلا أولا. قم بتنزيل المقال في مؤسسة العميل أولاً، تقوم أنظمة الذكاء الاصطناعي بتشغيل العمليات بينما يحدد البشر الأهداف، ويحددون قيود السياسة، ويتعاملون مع الاستثناءات. يقول سكوت رودجرز، كبير المهندسين العالميين والمدير التنفيذي للتكنولوجيا في شركة Deloitte Microsoft Technology Practice في الولايات المتحدة: \"أنت بحاجة إلى تحويل نموذج التشغيل إلى البشر كمحافظين ووكلاء كمشغلين\". ضرورة الوكيل أولاً مع توقع زيادة ميزانيات التكنولوجيا المخصصة للذكاء الاصطناعي بأكثر من 70% خلال العامين المقبلين، يستعد وكلاء الذكاء الاصطناعي، المدعومون بالذكاء الاصطناعي التوليدي، لإحداث تحول جذري في المؤسسات وتحقيق نتائج تتجاوز الأتمتة التقليدية. تتمتع هذه المبادرات بالقدرة على تحقيق مكاسب كبيرة في الأداء، مع تحويل البشر نحو العمل ذي القيمة الأعلى. يتقدم الذكاء الاصطناعي بسرعة كبيرة بحيث من المرجح أن تؤدي الأساليب الثابتة لأتمتة المهام إلى تحقيق مكاسب إضافية فقط. نظرًا لأن العمليات القديمة لم يتم تصميمها للأنظمة المستقلة، فإن وكلاء الذكاء الاصطناعي يحتاجون إلى تعريفات عملية قابلة للقراءة آليًا، وقيود سياسية واضحة، وتدفقات بيانات منظمة، وفقًا لرودجرز. ومما يزيد الأمور تعقيدًا أن العديد من المؤسسات لا تفهم الدوافع الاقتصادية الكاملة لأعمالها، مثل تكلفة الخدمة وتكاليف كل معاملة. ونتيجة لذلك، يواجهون مشكلة في تحديد أولويات العملاء الذين يمكنهم خلق أكبر قيمة والتركيز بدلاً من ذلك على الطيارين المبهجين. لتحقيق التغيير الهيكلي، يجب على المديرين التنفيذيين أن يفكروا بشكل مختلف. ويجب على الشركات بدلاً من ذلك تنسيق النتائج بشكل أسرع من المنافسين. يقول رودجرز: \"إن الخطر الحقيقي لا يكمن في أن الذكاء الاصطناعي لن يعمل، بل في أن المنافسين سيعيدون تصميم نماذج التشغيل الخاصة بهم بينما لا تزال أنت عملاء القيادة ومساعدي الطيارين\". \"تأتي المكاسب غير الخطية عندما تقوم الشركات بإنشاء مسارات عمل تتمحور حول الوكيل مع الإدارة البشرية والتنسيق التكيفي.\" يتم التعامل مع المهام الروتينية والمتكررة بشكل متزايد تلقائيًا، مما يحرر الموظفين للتركيز على العمل ذي القيمة الأعلى والإبداع والاستراتيجي. يعمل هذا التحول على تحسين الكفاءة التشغيلية، وتعزيز التعاون الأقوى، وتوليد عملية صنع قرار أسرع - مما يساعد المؤسسات على تحديث مكان العمل دون التضحية بأمن المؤسسة. قم بتنزيل المقال. تم إنتاج هذا المحتوى بواسطة Insights، ذراع المحتوى المخصص لـ MIT Technology Review. ولم تتم كتابته من قبل هيئة التحرير في إم آي تي ​​تكنولوجي ريفيو. تم بحثه وتصميمه وكتابته بواسطة كتاب ومحررين ومحللين ورسامين بشريين. ويشمل ذلك كتابة المسوحات وجمع البيانات للمسوحات. اقتصرت أدوات الذكاء الاصطناعي التي ربما تم استخدامها على عمليات الإنتاج الثانوية التي مرت على الإنسان بشكل كامل مراجعة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/06\/1135187\/the-one-piece-of-data-that-could-actually-shed-light-on-your-job-and-ai\/",
            "title_en": "The one piece of data that could actually shed light on your job and AI",
            "summary_en": "This story originally appeared in The Algorithm, our weekly newsletter on AI. To get stories like this in your inbox first, sign up here . Within Silicon Valley’s orbit, an AI-fueled jobs apocalypse is spoken about as a given. The mood is so grim that a societal impacts researcher at Anthropic, responding Wednesday to a call for more optimistic visions of AI’s future, said there might be a recession in the near term and a “breakdown of the early-career ladder.” Her less-measured colleague Dario Amodei, the company’s CEO, has called AI “a general labor substitute for humans” that could do all jobs in less than five years. And those ideas are not just coming from Anthropic, of course. These conversations have unsurprisingly left many workers in a panic (and are probably contributing to suppo",
            "body_en": "This story originally appeared in The Algorithm, our weekly newsletter on AI. To get stories like this in your inbox first, sign up here . Within Silicon Valley’s orbit, an AI-fueled jobs apocalypse is spoken about as a given. The mood is so grim that a societal impacts researcher at Anthropic, responding Wednesday to a call for more optimistic visions of AI’s future, said there might be a recession in the near term and a “breakdown of the early-career ladder.” Her less-measured colleague Dario Amodei, the company’s CEO, has called AI “a general labor substitute for humans” that could do all jobs in less than five years. And those ideas are not just coming from Anthropic, of course. These conversations have unsurprisingly left many workers in a panic (and are probably contributing to support for efforts to entirely pause the construction of data centers, some of which gained steam last week). The panic isn’t being helped by lawmakers, none of whom have articulated a coherent plan for what comes next. Even economists who have cautioned that AI has not yet cut jobs and may not result in a cliff ahead are coming around to the idea that it could have a unique and unprecedented impact on how we work. Alex Imas, based at the University of Chicago, is one of those economists. He shared two things with me when we spoke on Friday morning: a blunt assessment that our tools for predicting what this will look like are pretty abysmal, and a “call to arms” for economists to start collecting the one type of data that could make a plan to address AI in the workforce possible at all. On our abysmal tools: consider the fact that any job is made up of individual tasks. One part of a real estate agent’s job, for example, is to ask clients what sort of property they want to buy. The US government chronicled thousands of these tasks in a massive catalogue first launched in 1998 and updated regularly since then. This was the data that researchers at OpenAI used in December to judge how “ exposed ” a job is to AI (they found a real estate agent to be 28% exposed, for example). Then in February, Anthropic used this data in its analysis of millions of Claude conversations to see which tasks people are actually using its AI to complete and where the two lists overlapped. But knowing the AI exposure of tasks leads to an illusory understanding of how much a given job is at risk, Imas says. “Exposure alone is a completely meaningless tool for predicting displacement,” he told me. Sure, it is illustrative in the gloomiest case—for a job in which literally every task could be done by AI with no human direction. If it costs less for an AI model to do all those tasks than what you’re paid—which is not a given, since reasoning models and agentic AI can rack up quite a bill —and it can do them well, the job likely disappears, Imas says. This is the oft-mentioned case of the elevator operator from decades ago; maybe today’s parallel is a customer service agent solely doing phone call triage. But for the vast majority of jobs, the case is not so simple. And the specifics matter, too: Some jobs are likely to have dark days ahead, but knowing how and when this will play out is hard to answer when only looking at exposure. Take writing code, for example. Someone who builds premium dating apps, let’s say, might use AI coding tools to create in one day what used to take three days. That means the worker is more productive. The worker’s employer, spending the same amount of money, can now get more output. So then will the employer want more employees or fewer? This is the question that Imas says should keep any policymaker up at night, because the answer will change depending on the industry. And we are operating in the dark. In this coder’s case, these efficiencies make it possible for dating apps to lower prices. (A skeptic might expect companies to simply pocket the gains, but in a competitive market, they risk being undercut if they do.) These lower prices will always drive some increase in demand for the apps. But how much? If millions more people want it, the company might grow and ultimately hire more engineers to meet this demand. But if demand barely ticks up—maybe the people who don’t use premium dating apps still won’t want them even at a lower price—fewer coders are needed, and layoffs will happen. Repeat this hypothetical across every job with tasks that AI can do, and you have the most pressing economic question of our time: the specifics of price elasticity, or how much demand for something changes when its price changes. And this is the second part of what Imas emphasized last week: We don’t currently have this data across the economy. But we could . We do have the numbers for grocery items like cereal and milk, Imas says, because the University of Chicago partners with supermarkets to get data from their price scanners. But we don’t have such figures for tutors or web developers or dietitians (all jobs found to have “exposure” to AI, by the way). Or at least not in a way that’s been widely compiled or made accessible to researchers; sometimes it’s scattered across private companies or consultancies. “We need, like, a Manhattan Project to collect this,” Imas says. And we don’t need it just for jobs that could obviously be affected by AI now: “Fields that are not exposed now will become exposed in the future, so you just want to track these statistics across the entire economy.” Getting all this information would take time and money, but Imas makes the case that it’s worth it; it would give economists the first realistic look at how our AI-enabled future could unfold and give policymakers a shot at making a plan for it.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/help-wanted2a.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/06\/1135187\/the-one-piece-of-data-that-could-actually-shed-light-on-your-job-and-ai\/",
            "date": "2026-04-06",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "القطعة الوحيدة من البيانات التي يمكن أن تسلط الضوء على وظيفتك والذكاء الاصطناعي",
            "summary_ar": "ظهرت هذه القصة في الأصل في The Algorithm، رسالتنا الإخبارية الأسبوعية حول الذكاء الاصطناعي. للحصول على قصص مثل هذه في بريدك الوارد أولاً، قم بالتسجيل هنا. داخل مدار وادي السيليكون، يتم الحديث عن نهاية العالم للوظائف التي يغذيها الذكاء الاصطناعي كأمر مسلم به. المزاج قاتم للغاية لدرجة أن أحد الباحثين في التأثيرات المجتمعية في Anthropic، ردًا على دعوة لتقديم رؤى أكثر تفاؤلاً لمستقبل الذكاء الاصطناعي، قال إنه قد يكون هناك ركود على المدى القريب و\"انهيار السلم الوظيفي المبكر\". وقد وصف زميلها داريو أمودي، الرئيس التنفيذي للشركة، الذكاء الاصطناعي بأنه \"بديل عام للعمالة عن البشر\" يمكنه القيام بجميع الوظائف في أقل من خمس سنوات. وهذه الأفكار لا تأتي فقط من الأنثروبولوجيا بالطبع. ومن غير المستغرب أن تترك هذه المحادثات العديد من العمال في حالة من الذعر (وربما تساهم في ذلك). دعم",
            "body_ar": "ظهرت هذه القصة في الأصل في The Algorithm، رسالتنا الإخبارية الأسبوعية حول الذكاء الاصطناعي. للحصول على قصص مثل هذه في بريدك الوارد أولاً، قم بالتسجيل هنا. داخل مدار وادي السيليكون، يتم الحديث عن نهاية العالم للوظائف التي يغذيها الذكاء الاصطناعي كأمر مسلم به. المزاج قاتم للغاية لدرجة أن أحد الباحثين في التأثيرات المجتمعية في Anthropic، ردًا على دعوة لتقديم رؤى أكثر تفاؤلاً لمستقبل الذكاء الاصطناعي، قال إنه قد يكون هناك ركود على المدى القريب و\"انهيار السلم الوظيفي المبكر\". وقد وصف زميلها داريو أمودي، الرئيس التنفيذي للشركة، الذكاء الاصطناعي بأنه \"بديل عام للعمالة عن البشر\" يمكنه القيام بجميع الوظائف في أقل من خمس سنوات. وهذه الأفكار لا تأتي فقط من الأنثروبولوجيا بالطبع. ومن غير المستغرب أن تترك هذه المحادثات العديد من العمال في حالة من الذعر (وربما تساهم في دعم الجهود المبذولة لإيقاف بناء مراكز البيانات مؤقتًا بالكامل، والتي اكتسب بعضها زخمًا الأسبوع الماضي). ولا يساعد المشرعون في تخفيف حالة الذعر، إذ لم يقم أي منهم بوضع خطة متماسكة لما سيأتي بعد ذلك. وحتى الاقتصاديون الذين حذروا من أن الذكاء الاصطناعي لم يخفض الوظائف بعد، وقد لا يؤدي إلى الهاوية المقبلة، بدأوا يتوصلون إلى فكرة مفادها أنه يمكن أن يكون له تأثير فريد وغير مسبوق على كيفية عملنا. أليكس إيماس، المقيم في جامعة شيكاغو، هو واحد من هؤلاء الاقتصاديين. لقد شاركني شيئين عندما تحدثنا صباح يوم الجمعة: تقييم صريح بأن أدواتنا للتنبؤ بما سيبدو عليه هذا الأمر سيئة للغاية، و\"دعوة إلى السلاح\" للاقتصاديين للبدء في جمع النوع الوحيد من البيانات التي يمكن أن تجعل خطة لمعالجة الذكاء الاصطناعي في القوى العاملة ممكنة على الإطلاق. فيما يتعلق بأدواتنا السيئة: ضع في اعتبارك حقيقة أن أي وظيفة تتكون من مهام فردية. على سبيل المثال، جزء من وظيفة وكيل العقارات هو سؤال العملاء عن نوع العقار الذي يرغبون في شرائه. قامت حكومة الولايات المتحدة بتأريخ الآلاف من هذه المهام في كتالوج ضخم تم إطلاقه لأول مرة في عام 1998 ويتم تحديثه بانتظام منذ ذلك الحين. كانت هذه هي البيانات التي استخدمها الباحثون في OpenAI في ديسمبر للحكم على مدى \"تعرض\" الوظيفة للذكاء الاصطناعي (وجدوا أن وكيل العقارات معرض للذكاء الاصطناعي بنسبة 28٪، على سبيل المثال). ثم في فبراير، استخدمت Anthropic هذه البيانات في تحليلها لملايين محادثات كلود لمعرفة المهام التي يستخدم الأشخاص بالفعل الذكاء الاصطناعي الخاص بها لإكمالها وأين تتداخل القائمتان. لكن معرفة مدى تعرض المهام للذكاء الاصطناعي يؤدي إلى فهم وهمي لمدى تعرض وظيفة معينة للخطر، كما يقول إيماس. قال لي: \"إن التعرض وحده هو أداة لا معنى لها على الإطلاق للتنبؤ بالنزوح\". بالتأكيد، هذا توضيحي في الحالة الأكثر كآبة، بالنسبة لوظيفة يمكن فيها حرفيًا تنفيذ كل مهمة بواسطة الذكاء الاصطناعي دون توجيه بشري. إذا كانت تكلفة قيام نموذج الذكاء الاصطناعي بكل هذه المهام أقل مما تدفعه لك - وهذا ليس أمرًا مسلمًا به، نظرًا لأن نماذج الاستدلال والذكاء الاصطناعي الوكيل يمكن أن تكلف فاتورة كبيرة - ويمكنه القيام بها بشكل جيد، فمن المحتمل أن تختفي الوظيفة، كما يقول إيماس. هذه هي الحالة التي يتم ذكرها كثيرًا لمشغل المصعد منذ عقود مضت؛ ربما يكون الموازي اليوم هو وكيل خدمة العملاء الذي يقوم فقط بفرز المكالمات الهاتفية. لكن بالنسبة للغالبية العظمى من الوظائف، فإن الأمر ليس بهذه البساطة. والتفاصيل مهمة أيضًا: من المحتمل أن تمر بعض الوظائف بأيام مظلمة في المستقبل، ولكن معرفة كيف ومتى سيحدث هذا من الصعب الإجابة عليه عند النظر فقط إلى التعرض. خذ رمز الكتابة، على سبيل المثال. لنفترض أن الشخص الذي يبني تطبيقات مواعدة مميزة قد يستخدم أدوات ترميز الذكاء الاصطناعي لإنشاء ما كان يستغرق ثلاثة أيام في يوم واحد. وهذا يعني أن العامل أكثر إنتاجية. ويمكن الآن لصاحب العمل، الذي ينفق نفس المبلغ من المال، أن يحصل على المزيد من الإنتاج. إذن هل يريد صاحب العمل عددًا أكبر من الموظفين أم أقل؟ هذا هو السؤال الذي يقول إيماس إنه يجب أن يبقي أي صانع للسياسة مستيقظًا في الليل، لأن الإجابة ستتغير اعتمادًا على الصناعة. ونحن نعمل في الظلام. في حالة المبرمج هذا، تتيح هذه الكفاءات لتطبيقات المواعدة خفض الأسعار. (قد يتوقع أحد المتشككين أن تحصل الشركات على المكاسب ببساطة، ولكن في سوق تنافسية، فإنها تخاطر بالتعرض للتقويض إذا فعلت ذلك). وسوف تؤدي هذه الأسعار المنخفضة دائمًا إلى بعض الزيادة في الطلب على التطبيقات. ولكن كم؟ إذا أراد ملايين الأشخاص ذلك، فقد تنمو الشركة وتوظف في النهاية المزيد من المهندسين لتلبية هذا الطلب. ولكن إذا ارتفع الطلب بالكاد - ربما لا يزال الأشخاص الذين لا يستخدمون تطبيقات المواعدة المتميزة لا يريدونها حتى بسعر أقل - ستكون هناك حاجة إلى عدد أقل من المبرمجين، وسوف تحدث عمليات تسريح للعمال. كرر هذا الافتراض في كل وظيفة مع المهام التي يمكن للذكاء الاصطناعي القيام بها، وسيصبح لديك السؤال الاقتصادي الأكثر إلحاحًا في عصرنا: تفاصيل مرونة السعر، أو مقدار تغير الطلب على شيء ما عندما يتغير سعره. وهذا هو الجزء الثاني مما أكده إيماس الأسبوع الماضي: ليس لدينا حاليًا هذه البيانات في جميع أنحاء الاقتصاد. ولكن يمكننا. يقول إيماس: لدينا أرقام لمواد البقالة مثل الحبوب والحليب، لأن جامعة شيكاغو تتعاون مع محلات السوبر ماركت للحصول على البيانات من أجهزة قياس الأسعار الخاصة بها. ولكن ليس لدينا مثل هذه الأرقام بالنسبة للمدرسين أو مطوري الويب أو أخصائيي التغذية (بالمناسبة، جميع الوظائف التي وُجد أنها \"تعرضت\" للذكاء الاصطناعي). أو على الأقل ليس بطريقة تم تجميعها على نطاق واسع أو إتاحتها للباحثين؛ وفي بعض الأحيان تكون متناثرة عبر الشركات الخاصة أو الشركات الاستشارية. يقول إيماس: \"نحن بحاجة إلى مشروع مانهاتن لجمع هذا\". ونحن لا نحتاج إليها فقط في الوظائف التي من الواضح أنها قد تتأثر بالذكاء الاصطناعي الآن: \"المجالات التي لم يتم الكشف عنها الآن سوف تصبح مكشوفة في المستقبل، لذا فأنت تريد فقط تتبع هذه الإحصائيات عبر الاقتصاد بأكمله\". قد يستغرق الحصول على كل هذه المعلومات وقتًا ومالًا، لكن إيماس يؤكد أن الأمر يستحق ذلك؛ من شأنه أن يمنح الاقتصاديين أول نظرة واقعية على الكيفية التي يمكن أن يتكشف بها مستقبلنا المدعوم بالذكاء الاصطناعي ويمنح صناع السياسات فرصة لوضع خطة لتحقيق ذلك. هو - هي.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/06\/1135118\/ai-online-seller-alibaba-accio\/",
            "title_en": "AI is changing how small online sellers decide what to make",
            "summary_en": "For years Mike McClary sold the Guardian LTE Flashlight, a heavy-duty black model, online through his small outdoor brand. The product, designed for brightness and durability, became one of his most popular items ever. Even after he stopped offering it around 2017, customers kept sending him emails asking where they could buy it. When McClary decided to revisit the Guardian flashlight in 2025, he didn’t begin the way he might have in the past, by combing through supplier listings and sending inquiries to factories. Instead, he opened Accio, an AI sourcing and researching tool on Alibaba.com. For small entrepreneurs in the US, deciding what to sell and where to make it has traditionally been a slow, labor-intensive process that can take months. Now that work is increasingly being done by AI",
            "body_en": "For years Mike McClary sold the Guardian LTE Flashlight, a heavy-duty black model, online through his small outdoor brand. The product, designed for brightness and durability, became one of his most popular items ever. Even after he stopped offering it around 2017, customers kept sending him emails asking where they could buy it. When McClary decided to revisit the Guardian flashlight in 2025, he didn’t begin the way he might have in the past, by combing through supplier listings and sending inquiries to factories. Instead, he opened Accio, an AI sourcing and researching tool on Alibaba.com. For small entrepreneurs in the US, deciding what to sell and where to make it has traditionally been a slow, labor-intensive process that can take months. Now that work is increasingly being done by AI tools like Accio, which help connect businesses with manufacturers in countries including China and India. Business owners and e-commerce experts told MIT Technology Review that these AI tools are making sourcing more accessible and significantly shortening the time it takes to go from product idea to launch. McClary, 51, who runs his business from his Illinois living room, has sold products ranging from leather conditioner to camping lights, including one rechargeable lantern that brought in half a million dollars. Like many small online merchants, he built his business by being extremely scrappy—spotting demand for a product, tweaking existing designs, finding a factory, doing modest marketing, and getting the goods in front of customers fast. This time, though, he began by telling Accio about the flashlight’s original design, production cost, and profit margin. Then Accio suggested several changes, making it smaller and slightly less bright and switching its charging method to battery power. It also identified a manufacturer in Ningbo, China, that McClary said could cut the manufacturing cost from $17 to about $2.50 per unit. McClary took the process from there, contacting the supplier himself to discuss the revised design. Within a month, the new version of the Guardian flashlight was back up for sale on Amazon and on his brand’s website. The new factory hunt Although Alibaba is better known for owning Taobao, the biggest shopping site in China, its first business was Alibaba.com , the primary website that lists Chinese factories open for bulk orders. Placing an order with a manufacturer usually requires far more than clicking “Buy.” Sellers often spend days or weeks browsing listings, comparing suppliers’ reviews and manufacturing capacities, asking about minimum order quantities, requesting samples, and negotiating timelines and customization options. But Accio has gained significant momentum by changing how that sourcing gets done. Launched in 2024, Accio exceeded 10 million monthly active users in March 2026, according to the company. That means about one in five Alibaba users consults with AI about product sourcing. Accio’s interface looks a lot like ChatGPT or Claude: Users type a question into an empty box and choose between “fast” and “thinking” modes. But when asked about products, the tool returns more than text, offering charts, links, and visuals and asking follow-up questions to clarify the buyer’s needs. It then narrows the field to one or a handful of suppliers that appear capable of delivering. After that, the human work begins: Users still have to reach out to suppliers themselves and negotiate the details. Zhang Kuo, the president of Alibaba.com , told MIT Technology Review that the tool is built on multiple frontier models, including the company’s own Qwen series, a popular family of open-source large language models. The system is able to pull from the site’s millions of supplier profiles and is trained on 26 years of proprietary transaction data. For tasks like product research and sourcing analysis, the tool “blows it away” compared with general AI tools like ChatGPT, says Richard Kostick, CEO of the beauty brand 100% Pure. Many websites have tried using AI to assist shopping, but Alibaba has been one of the most aggressive. In March, Eddie Wu, CEO of the site’s parent company Alibaba Group, told managers that integrating the company’s core services with Qwen’s AI capabilities is a top priority. During a Chinese New Year promotion of Qwen’s personal shopping AI agent, where the company gave away cash, customers placed 200 million orders, the firm says. Vincenzo Toscano, an e-commerce seller and consultant, recommended Accio to his clients before deciding to try it himself for a new sunglasses brand. He came in with a rough vision: a brand shaped by his Italian heritage, his personal style, and a boutique aesthetic. He says the AI helped turn that concept into something more concrete, suggesting materials, refining the look, and pointing to design ideas that felt current. But the tool has clear limits. McClary, who uses AI tools regularly, says Accio is strongest when it comes to product ideation, but less helpful on marketing questions such as advertising and social media outreach. To use it well, he says, buyers still need to challenge its recommendations, since some can be generic. The rest of the business As platforms become more AI-driven, manufacturers are adjusting too. Sally Li, a representative at a makeup packaging company in Wuhan, China, says her firm has started writing more detailed product descriptions and adding information about its equipment and manufacturing experience on Alibaba.com because it suspects those details make its listings more likely to be surfaced by AI. Yan says manufacturers cannot tell whether an inquiry from a customer was generated or guided by AI, and that her firm is not using AI to negotiate pricing or product details. “AI agents are increasingly used by people to assist purchase decisions and even directly making transactions, and with clear guardrails, they can become extremely useful,” says Jiaxin Pei, a research scientist at the Stanford Institute for Human-Centered AI, “but agents need to act transparently, securely, and in the customer’s best interest.” Pei says developers of these tools should disclose the data they collect and the incentives built into them to ensure that the marketplace remains fair. Zhang, of Alibaba.com, says Accio currently does not include advertising. Suppliers can pay for higher placement in Alibaba.com’s regular search results, but Zhang says Accio is “not integrated” with that system. “We haven’t had a clear answer in terms of how to monetize this tool,” he says. For now, users can pay for additional tokens to continue chatting with the agent after their free queries run out. Sellers say that while AI tools have made it easier to come up with ideas and get a business off the ground, they do not replace the core skills that make someone good at e-commerce. McClary believes that even when sellers have access to the same market information, some are still better at making decisions, acting quickly, and actually delivering on orders. Those differences, he says, still go a long way. Toscano, the brand founder and e-commerce consultant, feels good about officially launching his new brand of sunglasses in just a few months: “We [small business owners] always have to bootstrap a lot of decisions. Deciding what to sell often comes down to an educated guess,” he says, “And we’re now in an era when making those decisions is easier than ever.”",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/small-biz-suppliers2.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/06\/1135118\/ai-online-seller-alibaba-accio\/",
            "date": "2026-04-06",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يعمل الذكاء الاصطناعي على تغيير الطريقة التي يقرر بها صغار البائعين عبر الإنترنت ما يجب عليهم فعله",
            "summary_ar": "لسنوات عديدة، باع مايك ماكلاري مصباح Guardian LTE Flashlight، وهو طراز أسود عالي التحمل، عبر الإنترنت من خلال علامته التجارية الصغيرة المخصصة للاستخدام الخارجي. أصبح المنتج، المصمم من أجل السطوع والمتانة، أحد أكثر منتجاته شعبية على الإطلاق. وحتى بعد أن توقف عن تقديمه في عام 2017 تقريبًا، استمر العملاء في إرسال رسائل بريد إلكتروني إليه يسألونه عن مكان شرائه. عندما قرر ماكلاري إعادة النظر في مصباح Guardian اليدوي في عام 2025، لم يبدأ بالطريقة التي كان من الممكن أن يبدأ بها في الماضي، من خلال البحث في قوائم الموردين وإرسال الاستفسارات إلى المصانع. وبدلاً من ذلك، افتتح Accio، وهي أداة بحث ومصادر تعتمد على الذكاء الاصطناعي على موقع Alibaba.com. بالنسبة لأصحاب المشاريع الصغيرة في الولايات المتحدة، كان تحديد ما يجب بيعه ومكان صنعه تقليديا عملية بطيئة وكثيفة العمالة يمكن أن تستغرق أشهرا. الآن يتم تنفيذ هذا العمل بشكل متزايد من قبل منظمة العفو الدولية",
            "body_ar": "لسنوات عديدة، باع مايك ماكلاري مصباح Guardian LTE Flashlight، وهو طراز أسود عالي التحمل، عبر الإنترنت من خلال علامته التجارية الصغيرة المخصصة للاستخدام الخارجي. أصبح المنتج، المصمم من أجل السطوع والمتانة، أحد أكثر منتجاته شعبية على الإطلاق. وحتى بعد أن توقف عن تقديمه في عام 2017 تقريبًا، استمر العملاء في إرسال رسائل بريد إلكتروني إليه يسألونه عن مكان شرائه. عندما قرر ماكلاري إعادة النظر في مصباح Guardian اليدوي في عام 2025، لم يبدأ بالطريقة التي كان من الممكن أن يبدأ بها في الماضي، من خلال البحث في قوائم الموردين وإرسال الاستفسارات إلى المصانع. وبدلاً من ذلك، افتتح Accio، وهي أداة بحث ومصادر تعتمد على الذكاء الاصطناعي على موقع Alibaba.com. بالنسبة لأصحاب المشاريع الصغيرة في الولايات المتحدة، كان تحديد ما يجب بيعه ومكان صنعه تقليديا عملية بطيئة وكثيفة العمالة يمكن أن تستغرق أشهرا. والآن يتم تنفيذ هذا العمل بشكل متزايد من خلال أدوات الذكاء الاصطناعي مثل Accio، والتي تساعد على ربط الشركات مع الشركات المصنعة في بلدان بما في ذلك الصين والهند. وقال أصحاب الأعمال وخبراء التجارة الإلكترونية لمعهد ماساتشوستس للتكنولوجيا إن أدوات الذكاء الاصطناعي هذه تجعل الوصول إلى المصادر أكثر سهولة وتختصر بشكل كبير الوقت الذي يستغرقه الانتقال من فكرة المنتج إلى الإطلاق. وقد باع ماكلاري، 51 عاما، الذي يدير أعماله من غرفة معيشته في إلينوي، منتجات تتراوح بين مكيفات الجلود ومصابيح التخييم، بما في ذلك فانوس واحد قابل لإعادة الشحن جلب نصف مليون دولار. مثل العديد من التجار الصغار عبر الإنترنت، بنى شركته من خلال كونه متقلبًا للغاية - حيث كان يكتشف الطلب على المنتج، ويعدل التصميمات الحالية، ويجد مصنعًا، ويقوم بالتسويق المتواضع، ويعرض البضائع أمام العملاء بسرعة. ولكن هذه المرة، بدأ بإخبار شركة Accio عن التصميم الأصلي للمصباح اليدوي، وتكلفة الإنتاج، وهامش الربح. ثم اقترحت Accio عدة تغييرات، مما يجعلها أصغر حجمًا وأقل سطوعًا قليلاً، وتحول طريقة الشحن إلى طاقة البطارية. كما حددت الشركة المصنعة في نينغبو بالصين، والتي قال ماكلاري إنها يمكن أن تخفض تكلفة التصنيع من 17 دولارًا إلى حوالي 2.50 دولارًا لكل وحدة. تولى McClary العملية من هناك، واتصل بالمورد بنفسه لمناقشة التصميم المعدل. وفي غضون شهر، تم عرض الإصدار الجديد من مصباح Guardian اليدوي للبيع على أمازون وعلى الموقع الإلكتروني لعلامته التجارية. البحث عن المصانع الجديدة على الرغم من أن شركة علي بابا معروفة بامتلاك موقع تاوباو، وهو أكبر موقع للتسوق في الصين، إلا أن أول أعمالها كان موقع Alibaba.com، وهو الموقع الرئيسي الذي يدرج المصانع الصينية المفتوحة للطلبات بالجملة. عادةً ما يتطلب تقديم طلب مع الشركة المصنعة ما هو أكثر بكثير من مجرد النقر على \"شراء\". غالبًا ما يقضي البائعون أيامًا أو أسابيع في تصفح القوائم، ومقارنة تقييمات الموردين وقدرات التصنيع، والسؤال عن الحد الأدنى لكميات الطلب، وطلب العينات، والتفاوض على الجداول الزمنية وخيارات التخصيص. لكن Accio اكتسبت زخمًا كبيرًا من خلال تغيير كيفية تنفيذ هذا التوريد. تم إطلاق Accio في عام 2024، وتجاوز عدد المستخدمين النشطين شهريًا 10 ملايين مستخدم في مارس 2026، وفقًا للشركة. وهذا يعني أن واحدًا من كل خمسة مستخدمي علي بابا يتشاور مع الذكاء الاصطناعي حول مصادر المنتجات. تشبه واجهة Accio إلى حد كبير ChatGPT أو Claude: يقوم المستخدمون بكتابة سؤال في مربع فارغ والاختيار بين الوضعين \"السريع\" و\"التفكير\". ولكن عند سؤالها عن المنتجات، تقوم الأداة بإرجاع أكثر من مجرد نص، حيث تقدم مخططات وروابط ومرئيات وتطرح أسئلة متابعة لتوضيح احتياجات المشتري. ثم يقوم بعد ذلك بتضييق المجال ليشمل واحدًا أو مجموعة من الموردين الذين يبدو أنهم قادرون على التسليم. بعد ذلك، يبدأ العمل البشري: لا يزال يتعين على المستخدمين التواصل مع الموردين أنفسهم والتفاوض بشأن التفاصيل. وقال تشانغ كو، رئيس موقع Alibaba.com، لمعهد ماساتشوستس للتكنولوجيا MIT Technology Review إن الأداة مبنية على نماذج رائدة متعددة، بما في ذلك سلسلة Qwen الخاصة بالشركة، وهي عائلة شعبية من نماذج اللغات الكبيرة مفتوحة المصدر. النظام قادر على الاستفادة من ملايين الملفات الشخصية للموردين في الموقع، وقد تم تدريبه على 26 عامًا من بيانات المعاملات الخاصة. بالنسبة لمهام مثل البحث عن المنتجات وتحليل المصادر، فإن الأداة \"تتفوق\" مقارنة بأدوات الذكاء الاصطناعي العامة مثل ChatGPT، كما يقول ريتشارد كوستيك، الرئيس التنفيذي لعلامة التجميل التجارية 100% Pure. حاولت العديد من مواقع الويب استخدام الذكاء الاصطناعي للمساعدة في التسوق، لكن موقع علي بابا كان واحدًا من أكثر المواقع عدوانية. في شهر مارس، أخبر إيدي وو، الرئيس التنفيذي لمجموعة علي بابا، الشركة الأم للموقع، المديرين أن دمج الخدمات الأساسية للشركة مع قدرات الذكاء الاصطناعي لشركة Qwen يمثل أولوية قصوى. وتقول الشركة إنه خلال عرض ترويجي للعام الصيني الجديد لوكيل الذكاء الاصطناعي للتسوق الشخصي لشركة Qwen، حيث قامت الشركة بتوزيع الأموال النقدية، قدم العملاء 200 مليون طلب. أوصى فينسينزو توسكانو، بائع ومستشار في التجارة الإلكترونية، بمنتج Accio لعملائه قبل أن يقرر تجربته بنفسه مع علامة تجارية جديدة للنظارات الشمسية. لقد جاء برؤية تقريبية: علامة تجارية شكلتها تراثه الإيطالي، وأسلوبه الشخصي، وجمالية البوتيك. ويقول إن الذكاء الاصطناعي ساعد في تحويل هذا المفهوم إلى شيء أكثر واقعية، واقتراح المواد، وتحسين المظهر، والإشارة إلى أفكار التصميم التي تبدو حديثة. لكن الأداة لها حدود واضحة. يقول ماكلاري، الذي يستخدم أدوات الذكاء الاصطناعي بانتظام، إن Accio هي الأقوى عندما يتعلق الأمر بفكرة المنتج، ولكنها أقل فائدة في مسائل التسويق مثل الإعلان والتواصل عبر وسائل التواصل الاجتماعي. ويقول إنه لاستخدامه بشكل جيد، لا يزال يتعين على المشترين تحدي توصياته، لأن بعضها يمكن أن يكون عامًا. بقية الأعمال نظرًا لأن المنصات أصبحت تعتمد بشكل أكبر على الذكاء الاصطناعي، فإن الشركات المصنعة تتكيف أيضًا. تقول سالي لي، ممثلة إحدى شركات تغليف مستحضرات التجميل في ووهان، الصين، إن شركتها بدأت في كتابة أوصاف أكثر تفصيلاً للمنتجات وإضافة معلومات حول معداتها وخبرة التصنيع على موقع Alibaba.com لأنها تشتبه في أن هذه التفاصيل تجعل قوائمها أكثر احتمالاً للظهور بواسطة الذكاء الاصطناعي. تقول يان إن الشركات المصنعة لا يمكنها معرفة ما إذا كان الاستفسار من العميل قد تم إنشاؤه أو توجيهه بواسطة الذكاء الاصطناعي، وأن شركتها لا تستخدم الذكاء الاصطناعي للتفاوض على الأسعار أو تفاصيل المنتج. يقول جياكسين بي، عالم الأبحاث في معهد ستانفورد للذكاء الاصطناعي المرتكز على الإنسان: \"يستخدم الناس بشكل متزايد وكلاء الذكاء الاصطناعي للمساعدة في اتخاذ قرارات الشراء وحتى إجراء المعاملات بشكل مباشر، ومع وجود حواجز حماية واضحة، يمكن أن يصبحوا مفيدين للغاية، ولكن يحتاج الوكلاء إلى التصرف بشفافية وأمان وبما يحقق مصلحة العميل\". يقول بي إن مطوري هذه الأدوات يجب أن يكشفوا عن البيانات التي يجمعونها والحوافز المضمنة فيها لضمان بقاء السوق عادلاً. يقول تشانغ، من موقع Alibaba.com، إن Accio لا تتضمن الإعلانات حاليًا. يمكن للموردين الدفع مقابل الحصول على موضع أعلى في نتائج البحث المنتظمة لموقع Alibaba.com، لكن تشانغ يقول إن شركة Accio \"غير مدمجة\" في هذا النظام. ويقول: \"لم نحصل على إجابة واضحة فيما يتعلق بكيفية تحقيق الدخل من هذه الأداة\". في الوقت الحالي، يمكن للمستخدمين الدفع مقابل رموز إضافية لمواصلة الدردشة مع الوكيل بعد نفاد استعلاماتهم المجانية. يقول البائعون إنه على الرغم من أن أدوات الذكاء الاصطناعي جعلت من السهل التوصل إلى أفكار وإطلاق مشروع تجاري، إلا أنها لا تحل محل المهارات الأساسية التي تجعل الشخص جيدًا في التجارة الإلكترونية. يعتقد ماكلاري أنه حتى عندما يتمكن البائعون من الوصول إلى نفس معلومات السوق، فإن بعضهم لا يزال أفضل في اتخاذ القرارات، والتصرف بسرعة، وتسليم الطلبات فعليًا. ويقول إن هذه الاختلافات لا تزال تقطع شوطا طويلا. يشعر توسكانو، مؤسس العلامة التجارية ومستشار التجارة الإلكترونية، بالرضا تجاه الإطلاق الرسمي لعلامته التجارية الجديدة من النظارات الشمسية في غضون بضعة أشهر فقط: \"نحن [أصحاب الأعمال الصغيرة] يتعين علينا دائمًا اتخاذ الكثير من القرارات. يقول: \"إن اتخاذ قرار بشأن ما يجب بيعه غالبًا ما يعتمد على تخمين مدروس، ونحن الآن في عصر أصبح فيه اتخاذ هذه القرارات أسهل من أي وقت مضى\". أبدًا.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/04\/01\/1134863\/humanoid-data-training-gig-economy-2026-breakthrough-technology\/",
            "title_en": "The gig workers who are training humanoid robots at home",
            "summary_en": "When Zeus, a medical student living in a hilltop city in central Nigeria, returns to his studio apartment from a long day at the hospital, he turns on his ring light, straps his iPhone to his forehead, and starts recording himself. He raises his hands in front of him like a sleepwalker and puts a sheet on his bed. He moves slowly and carefully to make sure his hands stay within the camera frame. Zeus is a data recorder for Micro1, a US company based in Palo Alto, California that collects real-world data to sell to robotics companies. As companies like Tesla, Figure AI, and Agility Robotics race to build humanoids —robots designed to resemble and move like humans in factories and homes—videos recorded by gig workers like Zeus are becoming the hottest new way to train them. Micro1 has hired ",
            "body_en": "When Zeus, a medical student living in a hilltop city in central Nigeria, returns to his studio apartment from a long day at the hospital, he turns on his ring light, straps his iPhone to his forehead, and starts recording himself. He raises his hands in front of him like a sleepwalker and puts a sheet on his bed. He moves slowly and carefully to make sure his hands stay within the camera frame. Zeus is a data recorder for Micro1, a US company based in Palo Alto, California that collects real-world data to sell to robotics companies. As companies like Tesla, Figure AI, and Agility Robotics race to build humanoids —robots designed to resemble and move like humans in factories and homes—videos recorded by gig workers like Zeus are becoming the hottest new way to train them. Micro1 has hired thousands of contract workers in more than 50 countries, including India, Nigeria, and Argentina, where swathes of tech-savvy young people are looking for jobs. They’re mounting iPhones on their heads and recording themselves folding laundry, washing dishes, and cooking. The job pays well by local standards and is boosting local economies, but it raises thorny questions around privacy and informed consent. And the work can be challenging at times—and weird. Zeus found the job in November, when people started talking about it everywhere on LinkedIn and YouTube. “This would be a real nice opportunity to set a mark and give data that will be used to train robots in the future,” he thought. Zeus is paid $15 an hour, which is good income in Nigeria’s strained economy with high unemployment rates. But as a bright-eyed student dreaming of becoming a doctor, he finds ironing his clothes for hours every day boring. “I really [do] not like it so much,” he says. “I’m the kind of person that requires … a technical job that requires me to think.” Zeus, and all the workers interviewed by MIT Technology Review , asked to be referred to only by pseudonyms because they were not authorized to talk about their work. Humanoid robots are notoriously hard to build because manipulating physical objects is a difficult skill to master. But the rise of large language models underlying chatbots like ChatGPT has inspired a paradigm shift in robotics. Just as large language models learned to generate words by being trained on vast troves of text scraped from the internet, many researchers believe that humanoid robots can learn to interact with the world by being trained on massive amounts of movement data. Editor’s note: In a recent poll, MIT Technology Review readers selected humanoid robots as the 11th breakthrough for our 2026 list of 10 Breakthrough Technologies . Robotics requires far more complex data about the physical world, though, and that is much harder to find. Virtual simulations can train robots to perform acrobatics , but not how to grasp and move objects, because simulations struggle to model physics with perfect accuracy. For robots to work in factories and serve as housekeepers, real-world data, however time-consuming and expensive to collect, may be what we need. Investors are pouring money feverishly into solving this challenge, spending over $6 billion on humanoid robots in 2025. And at-home data recording is becoming a booming gig economy around the world. Data companies like Scale AI and Encord are recruiting their own armies of data recorders, while DoorDash pays delivery drivers to film themselves doing chores. And in China, workers in dozens of state-owned robot training centers wear virtual-reality headsets and exoskeletons to teach humanoid robots how to open a microwave and wipe down the table. “There is a lot of demand, and it’s increasing really fast,” says Ali Ansari, CEO of Micro1. He estimates that robotics companies are now spending more than $100 million each year to buy real-world data from his company and others like it. A day in the life Workers at Micro1 are vetted by an AI agent named Zara that conducts interviews and reviews samples of chore videos. Every week, they submit videos of themselves doing chores around their homes, following a list of instructions about things like keeping their hands visible and moving at natural speed. The videos are reviewed by both AI and a human and are either accepted or rejected. They’re then annotated by AI and a team of hundreds of humans who label the actions in the footage. “There is a lot of demand, and it’s increasing really fast.” Ali Ansari, CEO of Micro1 Because this approach to training robots is in its infancy, it’s not clear yet what makes good training data. Still, “you need to give lots and lots of variations for the robot to generalize well for basic navigation and manipulation of the world,” says Ansari. But many workers say that creating a variety of “chore content” in their tiny homes is a challenge. Zeus, a scrappy student living in a humble studio, struggles to record anything beyond ironing his clothes every day. Arjun, a tutor in Delhi, India, takes an hour to make a 15-minute video because he spends so much time brainstorming new chores. “How much content [can be made] in the home? How much content?” he says. There’s also the sticky question of privacy. Micro1 asks workers not to show their faces to the camera or reveal personal information such as names, phone numbers, and birth dates. Then it uses AI and human reviewers to remove anything that slips through. But even without faces, the videos capture an intimate slice of workers’ lives: the interiors of their homes, their possessions, their routines. And understanding what kind of personal information they might be recording while they’re busy doing chores on camera can be tricky. Reviews of such footage might not filter out sensitive information beyond the most obvious identifiers. For workers with families, keeping private life off camera is a constant negotiation. Arjun, a father of two daughters, has to wrangle his chaotic two-year-old out of frame. “Sometimes it’s very difficult to work because my daughter is small,” he says. Sasha, a banker turned data recorder in Nigeria, tiptoes around when she hangs her laundry outside in a shared residential compound so she won’t record her neighbors, who watch her in bewilderment. “It’s going to take longer than people think.” Ken Goldberg, UC Berkeley While the workers interviewed by MIT Technology Review understand that their data is being used to train robots, none of them know how exactly their data will be used, stored, and shared with third parties, including the robotics companies that Micro1 is selling the data to. For confidentiality reasons, says Ansari, Micro1 doesn’t name its clients or disclose to workers the specific nature of the projects they are contributing to. “It is important that if workers are engaging in this, that they are informed by the companies themselves of the intention … where this kind of technology might go and how that might affect them longer term,” says Yasmine Kotturi, a professor of human-centered computing at the University of Maryland. Occasionally, some workers say, they’ve seen other workers asking on the company Slack channel if the company could delete their data. Micro1 declined to comment on whether such data is deleted. “People are opting into doing this,” says Ansari. “They could stop the work at any time.” Hungry for data With thousands of workers doing their chores differently in different homes, some roboticists wonder if the data collected from them is reliable enough to train robots safely. “How we conduct our lives in our homes is not always right from a safety point of view,” says Aaron Prather, a roboticist at ASTM International. “If those folks are teaching those bad habits that could lead to an incident, then that’s not good data.” And the sheer volume of data being collected makes reviewing it for quality control challenging. But Ansari says the company rejects videos showing unsafe ways of performing a task, while clumsy movements can be useful to teach robots what not to do. Then there’s the question of how much of this data we need. Micro1 says it has tens of thousands of hours of footage, while Scale AI announced it had gathered more than 100,000 hours. “It’s going to take a long time to get there,” says Ken Goldberg, a roboticist at the University of California, Berkeley. Large language models were trained on text and images that would take a human 100,000 years to read, and humanoid robots may need even more data, because controlling robotic joints is even more complicated than generating text. “It’s going to take longer than people think,” he says. When Dattu, an engineering student living in a bustling tech hub in India, comes home after a full day of classes at his university, he skips dinner and dashes to his tiny balcony, cramped with potted plants and dumbbells. He straps his iPhone to his forehead and records himself folding the same set of clothes over and over again. His family stares at him quizzically. “It’s like some space technology for them,” he says. When he tells his friends about his job, “they just get astounded by the idea that they can get paid by recording chores.” Juggling his university studies with data recording, as well as other data annotation gigs, takes a toll on him. Still, “it feels like you’re doing something different than the whole world,” he says.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/04\/TR11-HumanoidRobot.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/04\/01\/1134863\/humanoid-data-training-gig-economy-2026-breakthrough-technology\/",
            "date": "2026-04-01",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "عمال الحفلة الذين يقومون بتدريب الروبوتات البشرية في المنزل",
            "summary_ar": "عندما يعود زيوس، وهو طالب طب يعيش في مدينة على قمة تل في وسط نيجيريا، إلى شقته الاستوديو بعد يوم طويل في المستشفى، يقوم بتشغيل الضوء الدائري، ويربط جهاز iPhone الخاص به على جبهته، ويبدأ في تسجيل نفسه. يرفع يديه أمامه مثل السائر أثناء نومه ويضع ملاءة على سريره. يتحرك ببطء وحذر للتأكد من بقاء يديه داخل إطار الكاميرا. Zeus هو مسجل بيانات لشركة Micro1، وهي شركة أمريكية مقرها في بالو ألتو، كاليفورنيا، تقوم بجمع بيانات من العالم الحقيقي لبيعها لشركات الروبوتات. وبينما تتسابق شركات مثل Tesla وFiger AI وAgility Robotics لبناء الروبوتات البشرية - وهي روبوتات مصممة لتشبه البشر وتتحرك مثلهم في المصانع والمنازل - أصبحت مقاطع الفيديو التي يسجلها عمال الوظائف المؤقتة مثل زيوس هي الطريقة الجديدة الأكثر رواجًا لتدريبهم. لقد استأجرت Micro1",
            "body_ar": "عندما يعود زيوس، وهو طالب طب يعيش في مدينة على قمة تل في وسط نيجيريا، إلى شقته الاستوديو بعد يوم طويل في المستشفى، يقوم بتشغيل الضوء الدائري، ويربط جهاز iPhone الخاص به على جبهته، ويبدأ في تسجيل نفسه. يرفع يديه أمامه مثل السائر أثناء نومه ويضع ملاءة على سريره. يتحرك ببطء وحذر للتأكد من بقاء يديه داخل إطار الكاميرا. Zeus هو مسجل بيانات لشركة Micro1، وهي شركة أمريكية مقرها في بالو ألتو، كاليفورنيا، تقوم بجمع بيانات من العالم الحقيقي لبيعها لشركات الروبوتات. وبينما تتسابق شركات مثل Tesla وFiger AI وAgility Robotics لبناء الروبوتات البشرية - وهي روبوتات مصممة لتشبه البشر وتتحرك مثلهم في المصانع والمنازل - أصبحت مقاطع الفيديو التي يسجلها عمال الوظائف المؤقتة مثل زيوس هي الطريقة الجديدة الأكثر رواجًا لتدريبهم. وقد وظفت شركة Micro1 الآلاف من العمال المتعاقدين في أكثر من 50 دولة، بما في ذلك الهند ونيجيريا والأرجنتين، حيث تبحث أعداد كبيرة من الشباب البارعين في مجال التكنولوجيا عن وظائف. إنهم يقومون بتثبيت أجهزة iPhone على رؤوسهم ويسجلون أنفسهم أثناء طي الغسيل وغسل الأطباق والطهي. وتدر الوظيفة دخلا جيدا وفقا للمعايير المحلية وتعزز الاقتصادات المحلية، لكنها تثير أسئلة شائكة حول الخصوصية والموافقة المستنيرة. وقد يكون العمل صعبًا في بعض الأحيان، وغريبًا. حصل زيوس على الوظيفة في نوفمبر، عندما بدأ الناس يتحدثون عنها في كل مكان على LinkedIn وYouTube. ورأى أن \"هذه ستكون فرصة رائعة حقًا لوضع علامة وتقديم البيانات التي سيتم استخدامها لتدريب الروبوتات في المستقبل\". يتقاضى زيوس 15 دولارًا في الساعة، وهو دخل جيد في ظل الاقتصاد النيجيري المتوتر مع ارتفاع معدلات البطالة. ولكن كطالب ذو عيون لامعة يحلم بأن يصبح طبيباً، يجد أن كي ملابسه لساعات كل يوم أمر ممل. يقول: \"أنا حقًا لا أحب ذلك كثيرًا\". \"أنا من النوع الذي يتطلب... وظيفة فنية تتطلب مني التفكير.\" طلب زيوس وجميع العمال الذين أجرت إم آي تي ​​تكنولوجي ريفيو مقابلات معهم أن تتم الإشارة إليهم بأسماء مستعارة فقط لأنهم غير مخولين بالحديث عن عملهم. من المعروف أن بناء الروبوتات البشرية أمر صعب لأن التعامل مع الأشياء المادية هو مهارة يصعب إتقانها. لكن ظهور النماذج اللغوية الكبيرة التي تقوم عليها برامج الدردشة الآلية مثل ChatGPT ألهم تحولًا نموذجيًا في مجال الروبوتات. وكما تعلمت النماذج اللغوية الكبيرة كيفية توليد الكلمات من خلال تدريبها على كميات كبيرة من النصوص المأخوذة من الإنترنت، يعتقد العديد من الباحثين أن الروبوتات البشرية يمكن أن تتعلم كيفية التفاعل مع العالم من خلال تدريبها على كميات هائلة من بيانات الحركة. ملاحظة المحرر: في استطلاع للرأي أجري مؤخرًا، اختار قراء MIT Technology Review الروبوتات البشرية لتكون الإنجاز الحادي عشر في قائمتنا لعام 2026 التي تضم 10 تقنيات اختراق. ومع ذلك، تتطلب الروبوتات بيانات أكثر تعقيدًا عن العالم المادي، ومن الصعب جدًا العثور عليها. يمكن لعمليات المحاكاة الافتراضية تدريب الروبوتات على أداء الألعاب البهلوانية، ولكن ليس كيفية الإمساك بالأشياء وتحريكها، لأن عمليات المحاكاة تكافح من أجل نمذجة الفيزياء بدقة مثالية. ولكي تتمكن الروبوتات من العمل في المصانع والعمل كمدبرة منزل، فإن البيانات الواقعية، مهما كان جمعها تستغرق وقتا طويلا ومكلفة، قد تكون هي ما نحتاج إليه. ويضخ المستثمرون الأموال بشكل محموم لحل هذا التحدي، حيث ينفقون أكثر من 6 مليارات دولار على الروبوتات البشرية في عام 2025. وقد أصبح تسجيل البيانات في المنزل اقتصادا مزدهرا في جميع أنحاء العالم. تقوم شركات البيانات مثل Scale AI وEncord بتجنيد جيوشها الخاصة من مسجلات البيانات، في حين تدفع شركة DoorDash لسائقي التوصيل مقابل تصوير أنفسهم وهم يقومون بالأعمال المنزلية. وفي الصين، يرتدي العاملون في العشرات من مراكز تدريب الروبوتات المملوكة للدولة سماعات الواقع الافتراضي والهياكل الخارجية لتعليم الروبوتات البشرية كيفية فتح الميكروويف ومسح الطاولة. يقول علي أنصاري، الرئيس التنفيذي لشركة Micro1: \"هناك الكثير من الطلب، وهو يتزايد بسرعة كبيرة\". ويقدر أن شركات الروبوتات تنفق الآن أكثر من 100 مليون دولار كل عام لشراء بيانات العالم الحقيقي من شركته وغيرها من الشركات المشابهة. يوم في الحياة يتم فحص العاملين في Micro1 بواسطة عميل ذكاء اصطناعي يُدعى Zara يجري مقابلات ويراجع عينات من مقاطع الفيديو الروتينية. يرسلون كل أسبوع مقاطع فيديو لأنفسهم وهم يقومون بالأعمال المنزلية في منازلهم، متبعين قائمة من التعليمات حول أشياء مثل إبقاء أيديهم مرئية والتحرك بالسرعة الطبيعية. تتم مراجعة مقاطع الفيديو بواسطة كل من الذكاء الاصطناعي والإنسان ويتم قبولها أو رفضها. يتم بعد ذلك التعليق عليها بواسطة الذكاء الاصطناعي وفريق من مئات البشر الذين يقومون بتسمية الإجراءات في اللقطات. \"هناك الكثير من الطلب، وهو يتزايد بسرعة كبيرة.\" علي أنصاري، الرئيس التنفيذي لشركة Micro1 نظرًا لأن هذا النهج في تدريب الروبوتات لا يزال في بداياته، فليس من الواضح بعد ما الذي يجعل بيانات التدريب جيدة. ومع ذلك، يقول أنصاري: \"أنت بحاجة إلى تقديم الكثير والكثير من الاختلافات حتى يتمكن الروبوت من التعميم بشكل جيد في الملاحة الأساسية والتلاعب بالعالم\". لكن العديد من العمال يقولون إن إنشاء مجموعة متنوعة من \"المحتوى الروتيني\" في منازلهم الصغيرة يمثل تحديًا. زيوس، طالب مشاكس يعيش في استوديو متواضع، يكافح لتسجيل أي شيء بخلاف كي ملابسه كل يوم. أرجون، مدرس خصوصي في دلهي، الهند، يستغرق ساعة واحدة لإنتاج مقطع فيديو مدته 15 دقيقة لأنه يقضي الكثير من الوقت في التفكير في مهام منزلية جديدة. \"ما مقدار المحتوى [الذي يمكن صنعه] في المنزل؟ ما مقدار المحتوى؟\" يقول. هناك أيضًا مسألة الخصوصية الشائكة. تطلب شركة Micro1 من العمال عدم إظهار وجوههم للكاميرا أو الكشف عن معلومات شخصية مثل الأسماء وأرقام الهواتف وتواريخ الميلاد. ثم يستخدم الذكاء الاصطناعي والمراجعين البشريين لإزالة أي شيء يتسلل من خلاله. ولكن حتى بدون الوجوه، تلتقط مقاطع الفيديو شريحة حميمة من حياة العمال: التصميم الداخلي لمنازلهم، وممتلكاتهم، وروتينهم. وقد يكون فهم نوع المعلومات الشخصية التي قد يسجلونها أثناء انشغالهم بالأعمال المنزلية أمام الكاميرا أمرًا صعبًا. قد لا تؤدي مراجعات هذه اللقطات إلى تصفية المعلومات الحساسة بما يتجاوز المعرفات الأكثر وضوحًا. بالنسبة للعمال الذين لديهم عائلات، يعد إبقاء الحياة الخاصة بعيدًا عن الكاميرا بمثابة مفاوضات مستمرة. يتعين على أرجون، وهو أب لابنتين، أن يخرج ابنته الفوضوية البالغة من العمر عامين خارج الإطار. ويقول: \"أحياناً يكون العمل صعباً للغاية لأن ابنتي صغيرة\". ساشا، وهي مصرفية تحولت إلى مسجلة بيانات في نيجيريا، تتجول على أطراف أصابعها عندما تعلق غسيلها في الخارج في مجمع سكني مشترك حتى لا تسجل جيرانها الذين يراقبونها في حيرة. \"سيستغرق الأمر وقتًا أطول مما يعتقده الناس.\" كين غولدبرغ، جامعة كاليفورنيا في بيركلي في حين أن العمال الذين أجرت MIT Technology Review مقابلات معهم يدركون أن بياناتهم تُستخدم لتدريب الروبوتات، إلا أن لا أحد منهم يعرف بالضبط كيف سيتم استخدام بياناتهم وتخزينها ومشاركتها مع أطراف ثالثة، بما في ذلك شركات الروبوتات التي تبيع Micro1 البيانات إليها. ولأسباب تتعلق بالسرية، يقول أنصاري، إن شركة Micro1 لا تذكر أسماء عملائها أو تكشف للعاملين عن الطبيعة المحددة للمشاريع التي يساهمون فيها. تقول ياسمين كوتوري، أستاذة الحوسبة التي تركز على الإنسان في جامعة ميريلاند: \"من المهم إذا كان العمال منخرطين في هذا الأمر، أن يتم إبلاغهم من قبل الشركات نفسها بالنية... إلى أين يمكن أن يذهب هذا النوع من التكنولوجيا وكيف يمكن أن يؤثر ذلك عليهم على المدى الطويل\". في بعض الأحيان، يقول بعض العمال إنهم رأوا عمالًا آخرين يسألون على قناة Slack الخاصة بالشركة عما إذا كان بإمكان الشركة حذف بياناتهم. ورفض Micro1 التعليق على ما إذا كان قد تم حذف هذه البيانات. يقول أنصاري: \"يختار الناس القيام بذلك\". \"يمكنهم إيقاف العمل في أي وقت.\" متعطش للبيانات مع قيام آلاف العمال بمهامهم بشكل مختلف في منازل مختلفة، يتساءل بعض علماء الروبوتات عما إذا كانت البيانات التي تم جمعها منهم موثوقة بما يكفي لتدريب الروبوتات بأمان. يقول آرون براثر، عالم الروبوتات في ASTM International: \"إن الطريقة التي ندير بها حياتنا في منازلنا ليست دائمًا صحيحة من وجهة نظر السلامة\". \"إذا كان هؤلاء الأشخاص يقومون بتعليم تلك العادات السيئة التي يمكن أن تؤدي إلى وقوع حادث، فهذه ليست بيانات جيدة.\" كما أن الحجم الهائل للبيانات التي يتم جمعها يجعل مراجعتها لمراقبة الجودة أمرًا صعبًا. لكن أنصاري يقول إن الشركة ترفض مقاطع الفيديو التي تظهر طرقًا غير آمنة لأداء مهمة ما، في حين أن الحركات الخرقاء يمكن أن تكون مفيدة لتعليم الروبوتات ما لا يجب فعله. ثم هناك سؤال حول مقدار هذه البيانات التي نحتاجها. وتقول شركة Micro1 إنها تمتلك عشرات الآلاف من الساعات من اللقطات، في حين أعلنت شركة Scale AI أنها جمعت أكثر من 100 ألف ساعة. يقول كين جولدبيرج، عالم الروبوتات بجامعة كاليفورنيا في بيركلي: \"سيستغرق الأمر وقتًا طويلاً للوصول إلى هناك\". فقد تم تدريب النماذج اللغوية الكبيرة على النصوص والصور التي قد يستغرق الإنسان مائة ألف عام لقراءتها، وقد تحتاج الروبوتات البشرية إلى المزيد من البيانات، لأن التحكم في المفاصل الآلية أكثر تعقيداً من توليد النص. ويقول: \"سيستغرق الأمر وقتًا أطول مما يعتقده الناس\". عندما يعود داتو، وهو طالب هندسة يعيش في مركز تكنولوجي صاخب في الهند، إلى منزله بعد يوم كامل من الدراسة في جامعته، فإنه يتخطى العشاء ويهرع إلى شرفته الصغيرة المليئة بأصص النباتات والدمبل. يربط جهاز iPhone الخاص به على جبهته ويسجل نفسه وهو يطوي نفس مجموعة الملابس مرارًا وتكرارًا. عائلته تنظر إليه بتساؤل. يقول: \"إنها مثل بعض تكنولوجيا الفضاء بالنسبة لهم\". وعندما يخبر أصدقاءه عن وظيفته، \"تفاجأوا بفكرة أنه يمكنهم الحصول على أجر عن طريق تسجيل الأعمال المنزلية\". إن التوفيق بين دراسته الجامعية وتسجيل البيانات، بالإضافة إلى خدمات شرح البيانات الأخرى، يؤثر سلبًا عليه. ومع ذلك، \"يبدو الأمر وكأنك تفعل شيئًا مختلفًا عن العالم كله\". يقول.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/03\/31\/1134762\/shifting-to-ai-model-customization-is-an-architectural-imperative\/",
            "title_en": "Shifting to AI model customization is an architectural imperative",
            "summary_en": "In the early days of large language models (LLMs), we grew accustomed to massive 10x jumps in reasoning and coding capability with every new model iteration. Today, those jumps have flattened into incremental gains. The exception is domain-specialized intelligence, where true step-function improvements are still the norm. When a model is fused with an organization’s proprietary data and internal logic, it encodes the company’s history into its future workflows. This alignment creates a compounding advantage: a competitive moat built on a model that understands the business intimately. This is more than fine-tuning; it is the institutionalization of expertise into an AI system. This is the power of customization. Intelligence tuned to context Every sector operates within its own specific le",
            "body_en": "In the early days of large language models (LLMs), we grew accustomed to massive 10x jumps in reasoning and coding capability with every new model iteration. Today, those jumps have flattened into incremental gains. The exception is domain-specialized intelligence, where true step-function improvements are still the norm. When a model is fused with an organization’s proprietary data and internal logic, it encodes the company’s history into its future workflows. This alignment creates a compounding advantage: a competitive moat built on a model that understands the business intimately. This is more than fine-tuning; it is the institutionalization of expertise into an AI system. This is the power of customization. Intelligence tuned to context Every sector operates within its own specific lexicon. In automotive engineering, the “language” of the firm revolves around tolerance stacks, validation cycles, and revision control. In capital markets, reasoning is dictated by risk-weighted assets and liquidity buffers. In security operations, patterns are extracted from the noise of telemetry signals and identity anomalies. Custom-adapted models internalize the nuances of the field. They recognize which variables dictate a “go\/no-go” decision, and they think in the language of the industry. Domain expertise in action The transition from general-purpose to tailored AI centers on one goal: encoding an organization’s unique logic directly into a model’s weights. Mistral AI partners with organizations to incorporate domain expertise into their training ecosystems. A few use cases illustrate customized implementations in practice: Software engineering and assisting at scale: A network hardware company with proprietary languages and specialized codebases found that out-of-the-box models could not grasp their internal stack. By training a custom model on their own development patterns, they achieved a step function in fluency. Integrated into Mistral’s software development scaffolding, this customized model now supports the entire lifecycle—from maintaining legacy systems to autonomous code modernization via reinforcement learning. This turns once-opaque, niche code into a space where AI reliably assists at scale. Automotive and the engineering copilot : A leading automotive company uses customization to revolutionize crash test simulations. Previously, specialists spent entire days manually comparing digital simulations with physical results to find divergences. By training a model on proprietary simulation data and internal analyses, they automated this visual inspection, flagging deformations in real time. Moving beyond detection, the model now acts as a copilot, proposing design adjustments to bring simulations closer to real-world behavior and radically accelerating the R&D loop. Public sector and sovereign AI: In Southeast Asia, a government agency is building a sovereign AI layer to move beyond Western-centric models. By commissioning a foundation model tailored to regional languages, local idioms, and cultural contexts, they created a strategic infrastructure asset. This ensures sensitive data remains under local governance while powering inclusive citizen services and regulatory assistants. Here, customization is the key to deploying AI that is both technically effective and genuinely sovereign. The blueprint for strategic customization Moving from a general-purpose AI strategy to a domain-specific advantage requires a structural rethinking of the model’s role within the enterprise. Success is defined by three shifts in organizational logic. 1. Treat AI as infrastructure, not an experiment. Historically, enterprises have treated model customization as an ad hoc experiment—a single fine-tuning run for a niche use case or a localized pilot. While these bespoke silos often yield promising results, they are rarely built to scale. They produce brittle pipelines, improvised governance, and limited portability. When the underlying base models evolve, the adaptation work must often be discarded and rebuilt from scratch. In contrast, a durable strategy treats customization as foundational infrastructure. In this model, adaptation workflows are reproducible, version-controlled, and engineered for production. Success is measured against deterministic business outcomes. By decoupling the customization logic from the underlying model, firms ensure that their “digital nervous system” remains resilient, even as the frontier of base models shifts. 2. Retain control of your own data and models. As AI migrates from the periphery to core operations, the question of control becomes existential. Reliance on a single cloud provider or vendor for model alignment creates a dangerous asymmetry of power regarding data residency, pricing, and architectural updates. Enterprises that retain control of their training pipelines and deployment environments preserve their strategic agency. By adapting models within controlled environments, organizations can enforce their own data residency requirements and dictate their own update cycles. This approach transforms AI from a service consumed into an asset governed, reducing structural dependency and allowing for cost and energy optimizations aligned with internal priorities rather than vendor roadmaps. 3. Design for continuous adaptation. The enterprise environment is never static: regulations shift, taxonomies evolve, and market conditions fluctuate. A common failure is treating a customized model as a finished artifact. In reality, a domain-aligned model is a living asset subject to model decay if left unmanaged. Designing for continuous adaptation requires a disciplined approach to ModelOps. This includes automated drift detection, event-driven retraining, and incremental updates. By building the capacity for constant recalibration, the organization ensures that its AI does not just reflect its history, but it evolves in lockstep with its future. This is the stage where the competitive moat begins to compound: the model’s utility grows as it internalizes the organization’s ongoing response to change. Control is the new leverage We have entered an era where generic intelligence is a commodity, but contextual intelligence is a scarcity. While raw model power is now a baseline requirement, the true differentiator is alignment—AI calibrated to an organization’s unique data, mandates, and decision logic. In the next decade, the most valuable AI won’t be the one that knows everything about the world; it will be the one that knows everything about you . The firms that own the model weights of that intelligence will own the market. This content was produced by Mistral AI. It was not written by MIT Technology Review’s editorial staff.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/03\/Mistral-image.png?w=3000",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/03\/31\/1134762\/shifting-to-ai-model-customization-is-an-architectural-imperative\/",
            "date": "2026-03-31",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يعد التحول إلى تخصيص نموذج الذكاء الاصطناعي ضرورة معمارية",
            "summary_ar": "في الأيام الأولى لنماذج اللغات الكبيرة (LLMs)، اعتدنا على تحقيق قفزات هائلة بمقدار 10 أضعاف في القدرة على التفكير والبرمجة مع كل تكرار جديد للنموذج. واليوم، تسطحت هذه القفزات لتتحول إلى مكاسب تدريجية. والاستثناء هو الذكاء المتخصص في المجال، حيث لا تزال التحسينات الحقيقية للوظائف التدريجية هي القاعدة. عندما يتم دمج النموذج مع البيانات الخاصة بالمؤسسة والمنطق الداخلي، فإنه يقوم بتشفير تاريخ الشركة في سير العمل المستقبلي. ويخلق هذا التوافق ميزة مضاعفة: خندق تنافسي مبني على نموذج يفهم الأعمال التجارية بشكل وثيق. هذا أكثر من مجرد ضبط دقيق؛ إنه إضفاء الطابع المؤسسي على الخبرة في نظام الذكاء الاصطناعي. هذه هي قوة التخصيص. الذكاء المتوافق مع السياق كل قطاع يعمل ضمن حدوده الخاصة لو",
            "body_ar": "في الأيام الأولى لنماذج اللغات الكبيرة (LLMs)، اعتدنا على تحقيق قفزات هائلة بمقدار 10 أضعاف في القدرة على التفكير والبرمجة مع كل تكرار جديد للنموذج. واليوم، تسطحت هذه القفزات لتتحول إلى مكاسب تدريجية. والاستثناء هو الذكاء المتخصص في المجال، حيث لا تزال التحسينات الحقيقية للوظائف التدريجية هي القاعدة. عندما يتم دمج النموذج مع البيانات الخاصة بالمؤسسة والمنطق الداخلي، فإنه يقوم بتشفير تاريخ الشركة في سير العمل المستقبلي. ويخلق هذا التوافق ميزة مضاعفة: خندق تنافسي مبني على نموذج يفهم الأعمال التجارية بشكل وثيق. هذا أكثر من مجرد ضبط دقيق؛ إنه إضفاء الطابع المؤسسي على الخبرة في نظام الذكاء الاصطناعي. هذه هي قوة التخصيص. الذكاء المتوافق مع السياق يعمل كل قطاع ضمن قاموسه الخاص. في هندسة السيارات، تدور \"لغة\" الشركة حول مجموعات التسامح، ودورات التحقق من الصحة، والتحكم في المراجعة. وفي أسواق رأس المال، يتم تحديد المنطق من خلال الأصول المرجحة بالمخاطر ومخازن السيولة. في العمليات الأمنية، يتم استخلاص الأنماط من ضجيج إشارات القياس عن بعد وشذوذات الهوية. تستوعب النماذج المُكيَّفة حسب الطلب الفروق الدقيقة في هذا المجال. إنهم يدركون المتغيرات التي تملي عليهم قرار \"الاستمرار أو عدم الاستمرار\"، ويفكرون بلغة الصناعة. خبرة المجال في العمل يتمحور الانتقال من الأغراض العامة إلى الذكاء الاصطناعي المخصص حول هدف واحد: ترميز المنطق الفريد للمؤسسة مباشرة في أوزان النموذج. تتعاون Mistral AI مع المنظمات لدمج خبرات المجال في أنظمة التدريب البيئية الخاصة بها. توضح بعض حالات الاستخدام عمليات تنفيذ مخصصة في الممارسة العملية: هندسة البرمجيات والمساعدة على نطاق واسع: وجدت شركة أجهزة شبكات لديها لغات خاصة وقواعد تعليمات برمجية متخصصة أن النماذج المبتكرة لا يمكنها فهم مجموعتها الداخلية. من خلال تدريب نموذج مخصص على أنماط التطوير الخاصة بهم، حققوا وظيفة خطوة في الطلاقة. تم دمج هذا النموذج المخصص في دعامة تطوير برمجيات ميسترال، وهو يدعم الآن دورة الحياة بأكملها - بدءًا من صيانة الأنظمة القديمة وحتى تحديث التعليمات البرمجية المستقلة عبر التعلم المعزز. يؤدي هذا إلى تحويل التعليمات البرمجية المتخصصة التي كانت غير شفافة في السابق إلى مساحة يساعد فيها الذكاء الاصطناعي بشكل موثوق على نطاق واسع. السيارات ومساعد الطيار الهندسي: تستخدم شركة سيارات رائدة التخصيص لإحداث ثورة في محاكاة اختبارات التصادم. في السابق، كان المتخصصون يقضون أيامًا كاملة في مقارنة عمليات المحاكاة الرقمية بالنتائج المادية يدويًا للعثور على الاختلافات. ومن خلال تدريب نموذج على بيانات المحاكاة الخاصة والتحليلات الداخلية، قاموا بأتمتة هذا الفحص البصري، ورصد التشوهات في الوقت الفعلي. وبالانتقال إلى ما هو أبعد من الكشف، يعمل النموذج الآن كمساعد طيار، ويقترح تعديلات على التصميم لجعل عمليات المحاكاة أقرب إلى سلوك العالم الحقيقي وتسريع حلقة البحث والتطوير بشكل جذري. القطاع العام والذكاء الاصطناعي السيادي: في جنوب شرق آسيا، تعمل إحدى الوكالات الحكومية على بناء طبقة سيادية للذكاء الاصطناعي لتجاوز النماذج المتمركزة في الغرب. ومن خلال التكليف بنموذج أساسي مصمم خصيصًا للغات الإقليمية، والتعابير المحلية، والسياقات الثقافية، أنشأوا أصولًا استراتيجية للبنية التحتية. وهذا يضمن بقاء البيانات الحساسة تحت الإدارة المحلية مع دعم خدمات المواطنين الشاملة والمساعدين التنظيميين. هنا، يعد التخصيص هو المفتاح لنشر الذكاء الاصطناعي الذي يكون فعالًا من الناحية الفنية وسياديًا حقًا. مخطط التخصيص الاستراتيجي يتطلب الانتقال من استراتيجية الذكاء الاصطناعي للأغراض العامة إلى ميزة خاصة بالمجال إعادة التفكير الهيكلي في دور النموذج داخل المؤسسة. يتم تعريف النجاح من خلال ثلاثة تحولات في المنطق التنظيمي. 1. تعامل مع الذكاء الاصطناعي باعتباره بنية تحتية، وليس تجربة. تاريخيًا، تعاملت المؤسسات مع تخصيص النموذج باعتباره تجربة مخصصة - عملية ضبط دقيقة واحدة لحالة استخدام متخصصة أو تجربة محلية. في حين أن هذه الصوامع المخصصة غالبًا ما تسفر عن نتائج واعدة، إلا أنها نادرًا ما يتم تصميمها على نطاق واسع. فهي تنتج خطوط أنابيب هشة، وحوكمة مرتجلة، وقابلية نقل محدودة. عندما تتطور النماذج الأساسية الأساسية، يجب غالبًا التخلص من أعمال التكيف وإعادة بنائها من الصفر. في المقابل، تتعامل الإستراتيجية الدائمة مع التخصيص باعتباره بنية تحتية أساسية. في هذا النموذج، تكون مسارات عمل التكيف قابلة للتكرار، ويتم التحكم في الإصدار، ومصممة للإنتاج. يتم قياس النجاح مقابل نتائج الأعمال الحتمية. ومن خلال فصل منطق التخصيص عن النموذج الأساسي، تضمن الشركات أن يظل \"جهازها العصبي الرقمي\" مرنا، حتى مع تغير حدود النماذج الأساسية. 2. احتفظ بالسيطرة على البيانات والنماذج الخاصة بك. مع انتقال الذكاء الاصطناعي من العمليات الطرفية إلى العمليات الأساسية، تصبح مسألة السيطرة وجودية. يؤدي الاعتماد على موفر أو بائع سحابي واحد لمحاذاة النموذج إلى إنشاء عدم تناسق خطير في القوة فيما يتعلق بمكان إقامة البيانات والتسعير والتحديثات المعمارية. تحافظ الشركات التي تحتفظ بالسيطرة على خطوط التدريب وبيئات النشر الخاصة بها على وكالتها الإستراتيجية. ومن خلال تكييف النماذج داخل بيئات خاضعة للرقابة، يمكن للمؤسسات فرض متطلبات موقع البيانات الخاصة بها وإملاء دورات التحديث الخاصة بها. يعمل هذا النهج على تحويل الذكاء الاصطناعي من خدمة مستهلكة إلى أصول محكومة، مما يقلل من الاعتماد الهيكلي ويسمح بتحسين التكلفة والطاقة بما يتماشى مع الأولويات الداخلية بدلاً من خرائط طريق البائعين. 3. تصميم للتكيف المستمر. إن بيئة المؤسسة ليست ثابتة أبدًا: فاللوائح تتغير، والتصنيفات تتطور، وتتقلب ظروف السوق. من الأخطاء الشائعة التعامل مع النموذج المخصص باعتباره قطعة أثرية منتهية. في الواقع، يعد النموذج المحاذي للمجال أصلًا حيًا يخضع لتدهور النموذج إذا ترك دون إدارة. يتطلب التصميم من أجل التكيف المستمر اتباع نهج منضبط في ModelOps. يتضمن ذلك الكشف الآلي عن الانجراف، وإعادة التدريب القائم على الأحداث، والتحديثات الإضافية. من خلال بناء القدرة على إعادة المعايرة المستمرة، تضمن المؤسسة أن الذكاء الاصطناعي الخاص بها لا يعكس تاريخها فحسب، بل يتطور بالتوازي مع مستقبلها. هذه هي المرحلة التي يبدأ فيها الخندق التنافسي بالتفاقم: تنمو فائدة النموذج لأنه يستوعب استجابة المنظمة المستمرة للتغيير. السيطرة هي النفوذ الجديد لقد دخلنا عصرًا أصبح فيه الذكاء العام سلعة، لكن الذكاء السياقي نادر. على الرغم من أن قوة النموذج الخام أصبحت الآن متطلبًا أساسيًا، فإن الفرق الحقيقي هو المواءمة - حيث يتم معايرة الذكاء الاصطناعي وفقًا للبيانات والتفويضات ومنطق القرار الفريد للمؤسسة. في العقد القادم، لن يكون الذكاء الاصطناعي الأكثر قيمة هو الذي يعرف كل شيء عن العالم؛ سيكون الشخص الذي يعرف كل شيء عنك. والشركات التي تمتلك الأوزان النموذجية لهذا الذكاء سوف تمتلك السوق. تم إنتاج هذا المحتوى بواسطة شركة ميسترال للذكاء الاصطناعي. لم يتم كتابته في افتتاحية MIT Technology Review طاقم عمل.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/03\/31\/1134833\/ai-benchmarks-are-broken-heres-what-we-need-instead\/",
            "title_en": "AI benchmarks are broken. Here’s what we need instead.",
            "summary_en": "For decades, artificial intelligence has been evaluated through the question of whether machines outperform humans. From chess to advanced math, from coding to essay writing, the performance of AI models and applications is tested against that of individual humans completing tasks. This framing is seductive: An AI vs. human comparison on isolated problems with clear right or wrong answers is easy to standardize, compare, and optimize. It generates rankings and headlines. But there’s a problem: AI is almost never used in the way it is benchmarked. Although researchers and industry have started to improve benchmarking by moving beyond static tests to more dynamic evaluation methods , these innovations resolve only part of the issue. That’s because they still evaluate AI’s performance outside",
            "body_en": "For decades, artificial intelligence has been evaluated through the question of whether machines outperform humans. From chess to advanced math, from coding to essay writing, the performance of AI models and applications is tested against that of individual humans completing tasks. This framing is seductive: An AI vs. human comparison on isolated problems with clear right or wrong answers is easy to standardize, compare, and optimize. It generates rankings and headlines. But there’s a problem: AI is almost never used in the way it is benchmarked. Although researchers and industry have started to improve benchmarking by moving beyond static tests to more dynamic evaluation methods , these innovations resolve only part of the issue. That’s because they still evaluate AI’s performance outside the human teams and organizational workflows where its real-world performance ultimately unfolds. While AI is evaluated at the task level in a vacuum, it is used in messy, complex environments where it usually interacts with more than one person. Its performance (or lack thereof) emerges only over extended periods of use. This misalignment leaves us misunderstanding AI’s capabilities, overlooking systemic risks, and misjudging its economic and social consequences. To mitigate this, it’s time to shift from narrow methods to benchmarks that assess how AI systems perform over longer time horizons within human teams, workflows, and organizations. I have studied real-world AI deployment since 2022 in small businesses and health, humanitarian, nonprofit, and higher-education organizations in the UK, the United States, and Asia, as well as within leading AI design ecosystems in London and Silicon Valley. I propose a different approach, which I call HAIC benchmarks — Human–AI, Context-Specific Evaluation . What happens when AI fails For governments and businesses, AI benchmark scores appear more objective than vendor claims. They’re a critical part of determining whether an AI model or application is “good enough” for real-world deployment. Imagine an AI model that achieves impressive technical scores on the most cutting-edge benchmarks—98% accuracy, groundbreaking speed, compelling outputs. On the strength of these results, organizations may decide to adopt the model, committing sizable financial and technical resources to purchasing and integrating it. But then, once it’s adopted, the gap between benchmark and real-world performance quickly becomes visible. For example, take the swathe of FDA-approved AI models that can read medical scans faster and more accurately than an expert radiologist. In the radiology units of hospitals from the heart of California to the outskirts of London, I witnessed staff using highly ranked radiology AI applications. Repeatedly, it took them extra time to interpret AI’s outputs alongside hospital-specific reporting standards and nation-specific regulatory requirements. What appeared as a productivity-enhancing AI tool when tested in a vacuum introduced delays in practice. It soon became clear that the benchmark tests on which medical AI models are assessed do not capture how medical decisions are actually made. Hospitals rely on multidisciplinary teams—radiologists, oncologists, physicists, nurses—who jointly review patients. Treatment planning rarely hinges on a static decision; it evolves as new information emerges over days or weeks. Decisions often arise through constructive debate and trade-offs between professional standards, patient preferences, and the shared goal of long-term patient well-being. No wonder even highly scored AI models struggle to deliver the promised performance once they encounter the complex, collaborative processes of real clinical care. The same pattern emerges in my research across other sectors: When embedded within real-world work environments, even AI models that perform brilliantly on standardized tests don’t perform as promised. When high benchmark scores fail to translate into real-world performance, even the most highly scored AI is soon abandoned to what I call the “AI graveyard.” The costs are significant: Time, effort and money end up being wasted. And over time, repeated experiences like this erode organizational confidence in AI and—in critical settings such as health—may erode broader public trust in the technology as well. When current benchmarks provide only a partial and potentially misleading signal of an AI model’s readiness for real-world use, this creates regulatory blind spots: Oversight is shaped by metrics that do not reflect reality. It also leaves organizations and governments to shoulder the risks of testing AI in sensitive real-world settings, often with limited resources and support. How to build better tests To close the gap between benchmark and real-world performance, we must pay attention to the actual conditions in which AI models will be used. The critical questions: Can AI function as a productive participant within human teams? And can it generate sustained, collective value? Through my research on AI deployment across multiple sectors, I have seen a number of organizations already moving—deliberately and experimentally—toward the HAIC benchmarks I favor. HAIC benchmarks reframe current benchmarking in four ways: 1. From individual and single-task performance to team and workflow performance (shifting the unit of analysis ) 2. From one-off testing with right\/wrong answers to long-term impacts (expanding the time horizon ) 3. From correctness and speed to organizational outcomes, coordination quality, and error detectability (expanding outcome measures ) 4. From isolated outputs to upstream and downstream consequences ( system effects ) Across the organizations where this approach has emerged and started to be applied, the first step is shifting the unit of analysis. For example, in one UK hospital system in the period 2021–2024, the question expanded from whether a medical AI application improves diagnostic accuracy to how the presence of AI within the hospital’s multidisciplinary teams affects not only accuracy but also coordination and deliberation. The hospital specifically assessed coordination and deliberation in human teams using and not using AI. Multiple stakeholders (within and outside the hospital) decided on metrics like how AI influences collective reasoning, whether it surfaces overlooked considerations, whether it strengthens or weakens coordination, and whether it changes established risk and compliance practices. This shift is fundamental. It matters a lot in high-stakes contexts where system-level effects matter more than task-level accuracy. It also matters for the economy. It may help recalibrate inflated expectations of sweeping productivity gains that are so far predicated largely on the promise of improving individual task performance. Once that foundation is set, HAIC benchmarking can begin to take on the element of time. Today’s benchmarks resemble school exams—one-off, standardized tests of accuracy. But real professional competence is assessed differently. Junior doctors and lawyers are evaluated continuously inside real workflows, under supervision, with feedback loops and accountability structures. Performance is judged over time and in a specific context, because competence is relational. If AI systems are meant to operate alongside professionals, their impact should be judged longitudinally, reflecting how performance unfolds over repeated interactions. I saw this aspect of HAIC applied in one of my humanitarian-sector case studies. Over 18 months, an AI system was evaluated within real workflows, with particular attention to how detectable its errors were—that is, how easily human teams could identify and correct them. This long-term “record of error detectability” meant the organizations involved could design and test context-specific guardrails to promote trust in the system, despite the inevitability of occasional AI mistakes. A longer time horizon also makes visible the system-level consequences that short-term benchmarks miss. An AI application may outperform a single doctor on a narrow diagnostic task yet fail to improve multidisciplinary decision-making. Worse, it may introduce systemic distortions: anchoring teams too early in plausible but incomplete answers, adding to people’s cognitive workloads, or generating downstream inefficiencies that offset any speed or efficiency gains at the point of the AI’s use. These knock-on effects—often invisible to current benchmarks—are central to understanding real impact. The HAIC approach, admittedly promises to make benchmarking more complex, resource-intensive, and harder to standardize. But continuing to evaluate AI in sanitized conditions detached from the world of work will leave us misunderstanding what it truly can and cannot do for us. To deploy AI responsibly in real-world settings, we must measure what actually matters: not just what a model can do alone, but what it enables—or undermines—when humans and teams in the real world work with it. Angela Aristidou is a professor at University College London and a faculty fellow at the Stanford Digital Economy Lab and the Stanford Human-Centered AI Institute. She speaks, writes, and advises about the real-life deployment of artificial-intelligence tools for public good.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/03\/260326_AIlearningOpEd2.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/03\/31\/1134833\/ai-benchmarks-are-broken-heres-what-we-need-instead\/",
            "date": "2026-03-31",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تم كسر معايير الذكاء الاصطناعي. إليك ما نحتاجه بدلاً من ذلك.",
            "summary_ar": "لعقود من الزمن، تم تقييم الذكاء الاصطناعي من خلال مسألة ما إذا كانت الآلات تتفوق على البشر. من الشطرنج إلى الرياضيات المتقدمة، ومن البرمجة إلى كتابة المقالات، يتم اختبار أداء نماذج وتطبيقات الذكاء الاصطناعي مقارنة بأداء البشر الأفراد الذين يكملون المهام. يعتبر هذا الإطار مغريًا: من السهل توحيد المعايير والمقارنة والتحسين بين الذكاء الاصطناعي والإنسان في مشاكل معزولة مع إجابات واضحة صحيحة أو خاطئة. فإنه يولد التصنيف والعناوين. ولكن هناك مشكلة: لا يتم استخدام الذكاء الاصطناعي أبدًا بالطريقة التي يتم بها قياسه. على الرغم من أن الباحثين والصناعة بدأوا في تحسين المقارنة المرجعية من خلال الانتقال إلى ما هو أبعد من الاختبارات الثابتة إلى أساليب تقييم أكثر ديناميكية، فإن هذه الابتكارات لا تحل سوى جزء من المشكلة. وذلك لأنهم ما زالوا يقيمون أداء الذكاء الاصطناعي الخارج",
            "body_ar": "لعقود من الزمن، تم تقييم الذكاء الاصطناعي من خلال مسألة ما إذا كانت الآلات تتفوق على البشر. من الشطرنج إلى الرياضيات المتقدمة، ومن البرمجة إلى كتابة المقالات، يتم اختبار أداء نماذج وتطبيقات الذكاء الاصطناعي مقارنة بأداء البشر الأفراد الذين يكملون المهام. يعتبر هذا الإطار مغريًا: من السهل توحيد المعايير والمقارنة والتحسين بين الذكاء الاصطناعي والإنسان في مشاكل معزولة مع إجابات واضحة صحيحة أو خاطئة. فإنه يولد التصنيف والعناوين. ولكن هناك مشكلة: لا يتم استخدام الذكاء الاصطناعي أبدًا بالطريقة التي يتم بها قياسه. على الرغم من أن الباحثين والصناعة بدأوا في تحسين المقارنة المرجعية من خلال الانتقال إلى ما هو أبعد من الاختبارات الثابتة إلى أساليب تقييم أكثر ديناميكية، فإن هذه الابتكارات لا تحل سوى جزء من المشكلة. وذلك لأنهم ما زالوا يقيمون أداء الذكاء الاصطناعي خارج الفرق البشرية وسير العمل التنظيمي حيث يتجلى أدائه في العالم الحقيقي في نهاية المطاف. بينما يتم تقييم الذكاء الاصطناعي على مستوى المهمة في الفراغ، فإنه يتم استخدامه في بيئات فوضوية ومعقدة حيث يتفاعل عادةً مع أكثر من شخص واحد. يظهر أدائها (أو عدمها) فقط على مدى فترات طويلة من الاستخدام. وهذا الاختلال يجعلنا نسيء فهم قدرات الذكاء الاصطناعي، ونتجاهل المخاطر النظامية، ونخطئ في الحكم على عواقبه الاقتصادية والاجتماعية. وللتخفيف من هذه المشكلة، حان الوقت للانتقال من الأساليب الضيقة إلى المعايير التي تقيم كيفية أداء أنظمة الذكاء الاصطناعي على مدى فترات زمنية أطول داخل الفرق البشرية وسير العمل والمؤسسات. لقد قمت بدراسة نشر الذكاء الاصطناعي في العالم الحقيقي منذ عام 2022 في الشركات الصغيرة والمنظمات الصحية والإنسانية وغير الربحية ومؤسسات التعليم العالي في المملكة المتحدة والولايات المتحدة وآسيا، وكذلك داخل النظم البيئية الرائدة لتصميم الذكاء الاصطناعي في لندن ووادي السيليكون. أقترح نهجًا مختلفًا، والذي أسميه معايير HAIC - الإنسان – الذكاء الاصطناعي، التقييم الخاص بالسياق. ماذا يحدث عندما يفشل الذكاء الاصطناعي؟ بالنسبة للحكومات والشركات، تبدو النتائج المعيارية للذكاء الاصطناعي أكثر موضوعية من ادعاءات البائعين. إنها جزء مهم من تحديد ما إذا كان نموذج أو تطبيق الذكاء الاصطناعي \"جيدًا بما يكفي\" للنشر في العالم الحقيقي. تخيل نموذجًا للذكاء الاصطناعي يحقق نتائج فنية مذهلة وفقًا لأحدث المعايير - دقة تبلغ 98%، وسرعة رائدة، ومخرجات مقنعة. وبناء على قوة هذه النتائج، قد تقرر المنظمات اعتماد النموذج، وتخصيص موارد مالية وفنية كبيرة لشرائه ودمجه. ولكن بعد ذلك، بمجرد اعتماده، تصبح الفجوة بين الأداء المعياري والأداء الحقيقي واضحة بسرعة. على سبيل المثال، خذ مجموعة كبيرة من نماذج الذكاء الاصطناعي المعتمدة من إدارة الغذاء والدواء الأمريكية والتي يمكنها قراءة عمليات الفحص الطبي بشكل أسرع وأكثر دقة من أخصائي الأشعة الخبير. في وحدات الأشعة في المستشفيات من قلب كاليفورنيا إلى ضواحي لندن، شاهدت موظفين يستخدمون تطبيقات الذكاء الاصطناعي للأشعة ذات التصنيف العالي. وبشكل متكرر، استغرق الأمر وقتًا إضافيًا لتفسير مخرجات الذكاء الاصطناعي جنبًا إلى جنب مع معايير إعداد التقارير الخاصة بالمستشفيات والمتطلبات التنظيمية الخاصة بكل دولة. إن ما ظهر كأداة للذكاء الاصطناعي لتعزيز الإنتاجية عند اختباره في الفراغ أدى إلى تأخيرات في الممارسة العملية. وسرعان ما أصبح من الواضح أن الاختبارات المعيارية التي يتم على أساسها تقييم نماذج الذكاء الاصطناعي الطبي لا توضح كيفية اتخاذ القرارات الطبية فعليًا. تعتمد المستشفيات على فرق متعددة التخصصات - أطباء الأشعة، وأطباء الأورام، والفيزيائيين، والممرضات - الذين يقومون بمراجعة المرضى بشكل مشترك. نادراً ما يتوقف تخطيط العلاج على قرار ثابت؛ فهو يتطور مع ظهور معلومات جديدة على مدى أيام أو أسابيع. غالبًا ما تنشأ القرارات من خلال النقاش البناء والمقايضات بين المعايير المهنية وتفضيلات المريض والهدف المشترك المتمثل في رفاهية المريض على المدى الطويل. لا عجب أن نماذج الذكاء الاصطناعي ذات الدرجات العالية تكافح من أجل تقديم الأداء الموعود بمجرد مواجهة العمليات المعقدة والتعاونية للرعاية السريرية الحقيقية. ويظهر النمط نفسه في بحثي عبر قطاعات أخرى: فحتى نماذج الذكاء الاصطناعي التي تؤدي أداءً رائعًا في الاختبارات القياسية، عند دمجها في بيئات العمل الواقعية، لا تؤدي كما وعدت بها. عندما تفشل النتائج المعيارية العالية في ترجمتها إلى أداء في العالم الحقيقي، فحتى الذكاء الاصطناعي الذي حصل على أعلى الدرجات سرعان ما يتم التخلي عنه فيما أسميه \"مقبرة الذكاء الاصطناعي\". التكاليف كبيرة: ينتهي الأمر بإهدار الوقت والجهد والمال. وبمرور الوقت، تؤدي التجارب المتكررة مثل هذه إلى تآكل الثقة التنظيمية في الذكاء الاصطناعي، وفي البيئات الحيوية مثل الصحة، وقد تؤدي إلى تآكل ثقة الجمهور الأوسع في التكنولوجيا أيضًا. عندما لا توفر المعايير الحالية سوى إشارة جزئية وربما مضللة حول مدى استعداد نموذج الذكاء الاصطناعي للاستخدام في العالم الحقيقي، فإن هذا يخلق نقاطا تنظيمية عمياء: تتشكل الرقابة من خلال مقاييس لا تعكس الواقع. كما أنه يترك المنظمات والحكومات تتحمل مخاطر اختبار الذكاء الاصطناعي في بيئات حساسة في العالم الحقيقي، وغالبًا ما يكون ذلك بموارد ودعم محدودين. كيفية بناء اختبارات أفضل لسد الفجوة بين الأداء القياسي والأداء في العالم الحقيقي، يجب علينا أن ننتبه إلى الظروف الفعلية التي سيتم فيها استخدام نماذج الذكاء الاصطناعي. الأسئلة الحاسمة: هل يمكن للذكاء الاصطناعي أن يعمل كمشارك منتج ضمن الفرق البشرية؟ وهل يمكنها توليد قيمة جماعية مستدامة؟ من خلال بحثي حول نشر الذكاء الاصطناعي عبر قطاعات متعددة، رأيت عددًا من المنظمات تتحرك بالفعل - بشكل متعمد وتجريبي - نحو معايير HAIC التي أفضّلها. تعيد معايير HAIC صياغة المعايير الحالية بأربع طرق: 1. من الأداء الفردي والمهمة الواحدة إلى أداء الفريق وسير العمل (تحويل وحدة التحليل) 2. من الاختبار لمرة واحدة مع الإجابات الصحيحة \/ الخاطئة إلى التأثيرات طويلة المدى (توسيع الأفق الزمني) 3. من الصحة والسرعة إلى النتائج التنظيمية، وجودة التنسيق، وإمكانية اكتشاف الأخطاء (توسيع مقاييس النتائج) 4. من المخرجات المعزولة إلى العواقب الأولية والنهائية (تأثيرات النظام) عبر المنظمات التي ظهر فيها هذا النهج وبدأ تطبيقه، فإن الخطوة الأولى هي تحويل وحدة التحليل. على سبيل المثال، في أحد أنظمة المستشفيات في المملكة المتحدة في الفترة 2021-2024، امتد السؤال من ما إذا كان تطبيق الذكاء الاصطناعي الطبي يعمل على تحسين دقة التشخيص إلى كيفية تأثير وجود الذكاء الاصطناعي داخل فرق المستشفى متعددة التخصصات ليس فقط على الدقة ولكن أيضًا على التنسيق والمداولات. قام المستشفى على وجه التحديد بتقييم التنسيق والمداولات بين الفرق البشرية التي تستخدم الذكاء الاصطناعي أو لا تستخدمه. اتخذ العديد من أصحاب المصلحة (داخل المستشفى وخارجه) قرارًا بشأن مقاييس مثل كيفية تأثير الذكاء الاصطناعي على التفكير الجماعي، وما إذا كان يسلط الضوء على الاعتبارات التي تم التغاضي عنها، وما إذا كان يعزز التنسيق أو يضعفه، وما إذا كان يغير ممارسات المخاطر والامتثال الراسخة. وهذا التحول أساسي. إنه أمر مهم للغاية في السياقات عالية المخاطر حيث تكون التأثيرات على مستوى النظام أكثر أهمية من الدقة على مستوى المهمة. كما أنه مهم للاقتصاد. وقد يساعد في إعادة معايرة التوقعات المتضخمة لمكاسب الإنتاجية الكاسحة التي تعتمد حتى الآن إلى حد كبير على الوعد بتحسين أداء المهام الفردية. بمجرد وضع هذا الأساس، يمكن أن تبدأ معايير HAIC في أخذ عنصر الوقت. تشبه معايير اليوم الاختبارات المدرسية، وهي اختبارات موحدة للدقة تُجرى لمرة واحدة. ولكن يتم تقييم الكفاءة المهنية الحقيقية بشكل مختلف. يتم تقييم الأطباء والمحامين المبتدئين بشكل مستمر داخل سير العمل الحقيقي، تحت الإشراف، مع حلقات التغذية الراجعة وهياكل المساءلة. يتم الحكم على الأداء مع مرور الوقت وفي سياق محدد، لأن الكفاءة علائقية. إذا كان المقصود من أنظمة الذكاء الاصطناعي أن تعمل جنبا إلى جنب مع المتخصصين، فيجب الحكم على تأثيرها بشكل طولي، مما يعكس كيفية تطور الأداء من خلال التفاعلات المتكررة. لقد رأيت هذا الجانب من HAIC مطبقًا في إحدى دراسات الحالة الخاصة بالقطاع الإنساني. على مدار 18 شهرًا، تم تقييم نظام الذكاء الاصطناعي ضمن سير عمل حقيقي، مع إيلاء اهتمام خاص لمدى إمكانية اكتشاف أخطائه - أي مدى سهولة تمكن الفرق البشرية من تحديد الأخطاء وتصحيحها. ويعني هذا \"السجل الطويل الأمد لإمكانية اكتشاف الأخطاء\" أن المؤسسات المعنية يمكنها تصميم واختبار حواجز الحماية الخاصة بالسياق لتعزيز الثقة في النظام، على الرغم من حتمية أخطاء الذكاء الاصطناعي العرضية. كما أن الأفق الزمني الأطول يجعل العواقب على مستوى النظام واضحة للعيان والتي تتجاهلها المعايير القصيرة الأجل. قد يتفوق تطبيق الذكاء الاصطناعي على طبيب واحد في مهمة تشخيصية ضيقة ولكنه يفشل في تحسين عملية صنع القرار متعدد التخصصات. والأسوأ من ذلك أنه قد يؤدي إلى تشوهات جهازية: مثل تثبيت الفرق في وقت مبكر للغاية على إجابات معقولة ولكنها غير مكتملة، أو إضافة أعباء العمل الإدراكية للناس، أو توليد أوجه قصور في المراحل النهائية تعوض أي مكاسب في السرعة أو الكفاءة عند نقطة استخدام الذكاء الاصطناعي. تعتبر هذه التأثيرات غير المباشرة - التي غالبًا ما تكون غير مرئية للمعايير الحالية - أمرًا أساسيًا لفهم التأثير الحقيقي. من المسلم به أن نهج HAIC يَعِد بجعل المقارنة المرجعية أكثر تعقيدًا، وتستهلك الكثير من الموارد، ويصعب توحيدها. لكن الاستمرار في تقييم الذكاء الاصطناعي في ظروف معقمة ومنفصلة عن عالم العمل سوف يجعلنا نسيء فهم ما يمكن أن يفعله وما لا يستطيع أن يفعله لنا. لنشر الذكاء الاصطناعي بشكل مسؤول في بيئات العالم الحقيقي، يجب علينا قياس ما يهم حقا: ليس فقط ما يمكن أن يفعله النموذج بمفرده، ولكن ما يمكنه - أو يقوضه - عندما يعمل البشر والفرق في العالم الحقيقي معه. أنجيلا أريستيدو أستاذة في جامعة كوليدج لندن وزميلة في هيئة التدريس في مختبر الاقتصاد الرقمي في ستانفورد ومعهد الذكاء الاصطناعي المتمركز حول الإنسان في ستانفورد. تتحدث وتكتب وتقدم النصائح حول النشر الواقعي لأدوات الذكاء الاصطناعي للعامة جيد.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/03\/30\/1134795\/there-are-more-ai-health-tools-than-ever-but-how-well-do-they-work\/",
            "title_en": "There are more AI health tools than ever—but how well do they work?",
            "summary_en": "Earlier this month, Microsoft launched Copilot Health, a new space within its Copilot app where users will be able to connect their medical records and ask specific questions about their health. A couple of days earlier, Amazon had announced that Health AI, an LLM-based tool previously restricted to members of its One Medical service, would now be widely available. These products join the ranks of ChatGPT Health, which OpenAI released back in January, and Anthropic’s Claude, which can access user health records if granted permission. Health AI for the masses is officially a trend. There’s a clear demand for chatbots that provide health advice, given how hard it is for many people to access it through existing medical systems. And some research suggests that current LLMs are capable of maki",
            "body_en": "Earlier this month, Microsoft launched Copilot Health, a new space within its Copilot app where users will be able to connect their medical records and ask specific questions about their health. A couple of days earlier, Amazon had announced that Health AI, an LLM-based tool previously restricted to members of its One Medical service, would now be widely available. These products join the ranks of ChatGPT Health, which OpenAI released back in January, and Anthropic’s Claude, which can access user health records if granted permission. Health AI for the masses is officially a trend. There’s a clear demand for chatbots that provide health advice, given how hard it is for many people to access it through existing medical systems. And some research suggests that current LLMs are capable of making safe and useful recommendations. But researchers say that these tools should be more rigorously evaluated by independent experts, ideally before they are widely released. In a high-stakes area like health, trusting companies to evaluate their own products could prove unwise, especially if those evaluations aren’t made available for external expert review. And even if the companies are doing quality, rigorous research—which some, including OpenAI, do seem to be—they might still have blind spots that the broader research community could help to fill. “To the extent that you always are going to need more health care, I think we should definitely be chasing every route that works,” says Andrew Bean, a doctoral candidate at the Oxford Internet Institute. “It’s entirely plausible to me that these models have reached a point where they’re actually worth rolling out.” “But,” he adds, “the evidence base really needs to be there.” Tipping points To hear developers tell it, these health products are now being released because large language models have indeed reached a point where they can effectively provide medical advice. Dominic King, the vice president of health at Microsoft AI and a former surgeon, cites AI advancement as a core reason why the company’s health team was formed, and why Copilot Health now exists. “We’ve seen this enormous progress in the capabilities of generative AI to be able to answer health questions and give good responses,” he says. But that’s only half the story, according to King. The other key factor is demand. Shortly before Copilot Health was launched, Microsoft published a report , and an accompanying blog post , detailing how people used Copilot for health advice. The company says it receives 50 million health questions each day, and health is the most popular discussion topic on the Copilot mobile app. Other AI companies have noticed, and responded to, this trend. “Even before our health products, we were seeing just a rapid, rapid increase in the rate of people using ChatGPT for health-related questions,” says Karan Singhal, who leads OpenAI’s Health AI team. (OpenAI and Microsoft have a long-standing partnership, and Copilot is powered by OpenAI’s models.) It’s possible that people simply prefer posing their health problems to a nonjudgmental bot that’s available to them 24-7. But many experts interpret this pattern in light of the current state of the health-care system. “There is a reason that these tools exist and they have a position in the overall landscape,” says Girish Nadkarni, chief AI officer​ at the Mount Sinai Health System. “That’s because access to health care is hard, and it’s particularly hard for certain populations.” The virtuous vision of consumer-facing LLM health chatbots hinges on the possibility that they could improve user health while reducing pressure on the health-care system. That might involve helping users decide whether or not they need medical attention, a task known as triage. If chatbot triage works, then patients who need emergency care might seek it out earlier than they would have otherwise, and patients with more mild concerns might feel comfortable managing their symptoms at home with the chatbot’s advice rather than unnecessarily busying emergency rooms and doctor’s offices. But a recent, widely discussed study from Nadkarni and other researchers at Mount Sinai found that ChatGPT Health sometimes recommends too much care for mild conditions and fails to identify emergencies. Though Singhal and some other experts have suggested that its methodology might not provide a complete picture of ChatGPT Health’s capabilities, the study has surfaced concerns about how little external evaluation these tools see before being released to the public. Most of the academic experts interviewed for this piece agreed that LLM health chatbots could have real upsides, given how little access to health care some people have. But all six of them expressed concerns that these tools are being launched without testing from independent researchers to assess whether they are safe. While some advertised uses of these tools, such as recommending exercise plans or suggesting questions that a user might ask a doctor, are relatively harmless, others carry clear risks. Triage is one; another is asking a chatbot to provide a diagnosis or a treatment plan. The ChatGPT Health interface includes a prominent disclaimer stating that it is not intended for diagnosis or treatment, and the announcements for Copilot Health and Amazon’s Health AI include similar warnings. But those warnings are easy to ignore. “We all know that people are going to use it for diagnosis and management,” says Adam Rodman, an internal medicine physician and researcher at Beth Israel Deaconess Medical Center and a visiting researcher at Google. Medical testing Companies say they are testing the chatbots to ensure that they provide safe responses the vast majority of the time. OpenAI has designed and released HealthBench, a benchmark that scores LLMs on how they respond in realistic health-related conversations—though the conversations themselves are LLM-generated. When GPT-5, which powers both ChatGPT Health and Copilot Health, was released last year, OpenAI reported the model’s HealthBench scores: It did substantially better than previous OpenAI models, though its overall performance was far from perfect. But evaluations like HealthBench have limitations. In a study published last month, Bean—the Oxford doctoral candidate—and his colleagues found that even if an LLM can accurately identify a medical condition from a fictional written scenario on its own, a non-expert user who is given the scenario and asked to determine the condition with LLM assistance might figure it out only a third of the time. If they lack medical expertise, users might not know which parts of a scenario—or their real-life experience—are important to include in their prompt, or they might misinterpret the information that an LLM gives them. Bean says that this performance gap could be significant for OpenAI’s models. In the original HealthBench study, the company reported that its models performed relatively poorly in conversations that required them to seek more information from the user. If that’s the case, then users who don’t have enough medical knowledge to provide a health chatbot with the information that it needs from the get-go might get unhelpful or inaccurate advice. Singhal, the OpenAI health lead, notes that the company’s current GPT-5 series of models, which had not yet been released when the original HealthBench study was conducted, do a much better job of soliciting additional information than their predecessors. However, OpenAI has reported that GPT-5.4, the current flagship, is actually worse at seeking context than GPT-5.2, an earlier version. Ideally, Bean says, health chatbots would be subjected to controlled tests with human users, as they were in his study, before being released to the public. That might be a heavy lift, particularly given how fast the AI world moves and how long human studies can take. Bean’s own study used GPT-4o, which came out almost a year ago and is now outdated. Earlier this month, Google released a study that meets Bean’s standards. In the study, patients discussed medical concerns with the company’s Articulate Medical Intelligence Explorer (AMIE), a medical LLM chatbot that is not yet available to the public, before meeting with a human physician. Overall, AMIE’s diagnoses were just as accurate as physicians’, and none of the conversations raised major safety concerns for researchers. Despite the encouraging results, Google isn’t planning to release AMIE anytime soon. “While the research has advanced, there are significant limitations that must be addressed before real-world translation of systems for diagnosis and treatment, including further research into equity, fairness, and safety testing,” wrote Alan Karthikesalingam, a research scientist at Google DeepMind, in an email. Google did recently reveal that Health100, a health platform it is building in partnership with CVS, will include an AI assistant powered by its flagship Gemini models, though that tool will presumably not be intended for diagnosis or treatment. Rodman, who led the AMIE study with Karthikesalingam, doesn’t think such extensive, multiyear studies are necessarily the right approach for chatbots like ChatGPT Health and Copilot Health. “There’s lots of reasons that the clinical trial paradigm doesn’t always work in generative AI,” he says. “And that’s where this benchmarking conversation comes in. Are there benchmarks [from] a trusted third party that we can agree are meaningful, that the labs can hold themselves to?” They key there is “third party.” No matter how extensively companies evaluate their own products, it’s tough to trust their conclusions completely. Not only does a third-party evaluation bring impartiality, but if there are many third parties involved, it also helps protect against blind spots. OpenAI’s Singhal says he’s strongly in favor of external evaluation. “We try our best to support the community,” he says. “Part of why we put out HealthBench was actually to give the community and other model developers an example of what a very good evaluation looks like.” Given how expensive it is to produce a high-quality evaluation, he says, he’s skeptical that any individual academic laboratory would be able to produce what he calls “the one evaluation to rule them all.” But he does speak highly of efforts that academic groups have made to bring preexisting and novel evaluations together into comprehensive evaluations suites—such as Stanford’s MedHELM framework, which tests models on a wide variety of medical tasks. Currently, OpenAI’s GPT-5 holds the highest MedHELM score. Nigam Shah, a professor of medicine at Stanford University who led the MedHELM project, says it has limitations. In particular, it only evaluates individual chatbot responses, but someone who’s seeking medical advice from a chatbot tool might engage it in a multi-turn, back-and-forth conversation. He says that he and some collaborators are gearing up to build an evaluation that can score those complex conversations, but that it will take time, and money. “You and I have zero ability to stop these companies from releasing [health-oriented products], so they’re going to do whatever they damn please,” he says. “The only thing people like us can do is find a way to fund the benchmark.” No one interviewed for this article argued that health LLMs need to perform perfectly on third-party evaluations in order to be released. Doctors themselves make mistakes—and for someone who has only occasional access to a doctor, a consistently accessible LLM that sometimes messes up could still be a huge improvement over the status quo, as long as its errors aren’t too grave. With the current state of the evidence, however, it’s impossible to know for sure whether the currently available tools do in fact constitute an improvement, or whether their risks outweigh their benefits.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/03\/260326_AI_healthcare2.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/03\/30\/1134795\/there-are-more-ai-health-tools-than-ever-but-how-well-do-they-work\/",
            "date": "2026-03-30",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "هناك عدد أكبر من الأدوات الصحية المعتمدة على الذكاء الاصطناعي أكثر من أي وقت مضى، ولكن ما مدى جودة عملها؟",
            "summary_ar": "في وقت سابق من هذا الشهر، أطلقت مايكروسوفت Copilot Health، وهي مساحة جديدة ضمن تطبيق Copilot حيث سيتمكن المستخدمون من ربط سجلاتهم الطبية وطرح أسئلة محددة حول صحتهم. قبل يومين، أعلنت أمازون أن Health AI، وهي أداة قائمة على LLM كانت مقتصرة في السابق على أعضاء خدمة One Medical، ستكون متاحة الآن على نطاق واسع. تنضم هذه المنتجات إلى صفوف ChatGPT Health، الذي أصدرته OpenAI مرة أخرى في يناير، وAnthropic’s Claude، الذي يمكنه الوصول إلى السجلات الصحية للمستخدم إذا تم منحه الإذن. أصبح الذكاء الاصطناعي الصحي للجماهير اتجاهًا رسميًا. هناك طلب واضح على روبوتات الدردشة التي تقدم المشورة الصحية، نظرًا لمدى صعوبة وصول العديد من الأشخاص إليها من خلال الأنظمة الطبية الحالية. وتشير بعض الأبحاث إلى أن حاملي شهادات الماجستير الحاليين قادرون على ذلك ماكي",
            "body_ar": "في وقت سابق من هذا الشهر، أطلقت مايكروسوفت Copilot Health، وهي مساحة جديدة ضمن تطبيق Copilot حيث سيتمكن المستخدمون من ربط سجلاتهم الطبية وطرح أسئلة محددة حول صحتهم. قبل يومين، أعلنت أمازون أن Health AI، وهي أداة قائمة على LLM كانت مقتصرة في السابق على أعضاء خدمة One Medical، ستكون متاحة الآن على نطاق واسع. تنضم هذه المنتجات إلى صفوف ChatGPT Health، الذي أصدرته OpenAI مرة أخرى في يناير، وAnthropic’s Claude، الذي يمكنه الوصول إلى السجلات الصحية للمستخدم إذا تم منحه الإذن. أصبح الذكاء الاصطناعي الصحي للجماهير اتجاهًا رسميًا. هناك طلب واضح على روبوتات الدردشة التي تقدم المشورة الصحية، نظرًا لمدى صعوبة وصول العديد من الأشخاص إليها من خلال الأنظمة الطبية الحالية. وتشير بعض الأبحاث إلى أن حاملي شهادات الماجستير الحاليين قادرون على تقديم توصيات آمنة ومفيدة. لكن الباحثين يقولون إن هذه الأدوات يجب أن يتم تقييمها بشكل أكثر صرامة من قبل خبراء مستقلين، ومن الأفضل أن يتم ذلك قبل نشرها على نطاق واسع. في مجال عالي المخاطر مثل الصحة، قد يكون من غير الحكمة الثقة في قيام الشركات بتقييم منتجاتها، خاصة إذا لم تكن هذه التقييمات متاحة لمراجعة الخبراء الخارجيين. وحتى لو كانت الشركات تجري أبحاثًا دقيقة وعالية الجودة - وهو ما يبدو عليه البعض، بما في ذلك OpenAI - فقد لا تزال لديها نقاط عمياء يمكن لمجتمع البحث الأوسع المساعدة في سدها. يقول أندرو بين، مرشح الدكتوراه في معهد أكسفورد للإنترنت: \"طالما أنك ستحتاج دائمًا إلى المزيد من الرعاية الصحية، أعتقد أننا يجب بالتأكيد أن نلاحق كل طريق ناجح\". \"من المعقول تمامًا بالنسبة لي أن هذه النماذج قد وصلت إلى نقطة تستحق فيها طرحها بالفعل.\" ويضيف: \"لكن قاعدة الأدلة يجب أن تكون موجودة بالفعل\". نقاط التحول لسماع المطورين وهم يقولون ذلك، يتم الآن إطلاق هذه المنتجات الصحية لأن النماذج اللغوية الكبيرة وصلت بالفعل إلى نقطة حيث يمكنها تقديم المشورة الطبية بشكل فعال. يستشهد دومينيك كينج، نائب رئيس قسم الصحة في شركة Microsoft AI والجراح السابق، بتقدم الذكاء الاصطناعي كسبب أساسي وراء تشكيل الفريق الصحي للشركة، وسبب وجود Copilot Health الآن. ويقول: \"لقد رأينا هذا التقدم الهائل في قدرات الذكاء الاصطناعي التوليدي ليكون قادرًا على الإجابة على الأسئلة الصحية وتقديم إجابات جيدة\". لكن هذا نصف القصة فقط، بحسب كينغ. والعامل الرئيسي الآخر هو الطلب. قبل وقت قصير من إطلاق برنامج Copilot Health، نشرت Microsoft تقريرًا ومنشور مدونة مصاحبًا يوضح بالتفصيل كيفية استخدام الأشخاص لبرنامج Copilot للحصول على المشورة الصحية. وتقول الشركة إنها تتلقى 50 مليون سؤال صحي يوميًا، وتعد الصحة موضوع المناقشة الأكثر شيوعًا على تطبيق Copilot للهاتف المحمول. وقد لاحظت شركات الذكاء الاصطناعي الأخرى هذا الاتجاه واستجابت له. يقول كاران سينغال، الذي يقود فريق الذكاء الاصطناعي الصحي في OpenAI: \"حتى قبل ظهور منتجاتنا الصحية، كنا نشهد زيادة سريعة في معدل الأشخاص الذين يستخدمون ChatGPT للأسئلة المتعلقة بالصحة\". (تتمتع OpenAI وMicrosoft بشراكة طويلة الأمد، ويتم تشغيل Copilot بواسطة نماذج OpenAI.) من الممكن أن الناس يفضلون ببساطة طرح مشاكلهم الصحية على روبوت لا يصدر أحكامًا ومتاح لهم على مدار الساعة طوال أيام الأسبوع. لكن العديد من الخبراء يفسرون هذا النمط في ضوء الوضع الحالي لنظام الرعاية الصحية. يقول جيريش نادكارني، كبير مسؤولي الذكاء الاصطناعي في نظام ماونت سيناي الصحي: \"هناك سبب لوجود هذه الأدوات ولها مكانة في المشهد العام\". \"وهذا لأن الوصول إلى الرعاية الصحية أمر صعب، وهو صعب بشكل خاص على مجموعات سكانية معينة.\" وتتوقف الرؤية الفاضلة لروبوتات الدردشة الصحية LLM التي تتعامل مع المستهلك على إمكانية تحسين صحة المستخدم مع تقليل الضغط على نظام الرعاية الصحية. وقد يتضمن ذلك مساعدة المستخدمين على تحديد ما إذا كانوا بحاجة إلى رعاية طبية أم لا، وهي مهمة تُعرف باسم الفرز. إذا نجحت عملية فرز روبوتات الدردشة، فقد يسعى المرضى الذين يحتاجون إلى رعاية الطوارئ إلى الحصول عليها في وقت أبكر مما كانوا سيحصلون عليه بطريقة أخرى، وقد يشعر المرضى الذين يعانون من مخاوف أكثر اعتدالًا بالراحة في إدارة أعراضهم في المنزل باستخدام نصيحة روبوت الدردشة بدلاً من اشغال غرف الطوارئ وعيادات الأطباء دون داع. لكن دراسة حديثة نوقشت على نطاق واسع أجراها نادكارني وباحثون آخرون في ماونت سيناي، وجدت أن ChatGPT Health توصي أحيانًا بالكثير من الرعاية للحالات الخفيفة وتفشل في تحديد حالات الطوارئ. على الرغم من أن سينغال وبعض الخبراء الآخرين أشاروا إلى أن منهجيتها قد لا تقدم صورة كاملة عن قدرات ChatGPT Health، إلا أن الدراسة أظهرت مخاوف بشأن مدى ضآلة التقييم الخارجي الذي تراه هذه الأدوات قبل إصدارها للعامة. اتفق معظم الخبراء الأكاديميين الذين تمت مقابلتهم في هذه المقالة على أن روبوتات الدردشة الصحية LLM يمكن أن يكون لها إيجابيات حقيقية، نظرًا لقلة إمكانية الوصول إلى الرعاية الصحية التي يتمتع بها بعض الأشخاص. لكن الستة جميعهم أعربوا عن مخاوفهم من إطلاق هذه الأدوات دون اختبار من قبل باحثين مستقلين لتقييم ما إذا كانت آمنة. وفي حين أن بعض الاستخدامات المعلن عنها لهذه الأدوات، مثل التوصية بخطط التمارين الرياضية أو اقتراح أسئلة قد يطرحها المستخدم على الطبيب، غير ضارة نسبيًا، فإن البعض الآخر يحمل مخاطر واضحة. الفرز هو واحد. ويطلب آخر من برنامج الدردشة الآلي تقديم تشخيص أو خطة علاج. تتضمن واجهة ChatGPT Health إخلاء مسؤولية بارزًا ينص على أنها غير مخصصة للتشخيص أو العلاج، وتتضمن إعلانات Copilot Health وAmazon’s Health AI تحذيرات مماثلة. لكن من السهل تجاهل هذه التحذيرات. يقول آدم رودمان، طبيب الطب الباطني والباحث في مركز بيث إسرائيل ديكونيس الطبي والباحث الزائر في جوجل: \"نعلم جميعًا أن الناس سيستخدمونه للتشخيص والعلاج\". تقول شركات الاختبارات الطبية إنها تختبر روبوتات الدردشة للتأكد من أنها توفر استجابات آمنة في الغالبية العظمى من الوقت. قامت OpenAI بتصميم وإصدار HealthBench، وهو معيار يسجل درجات ماجستير إدارة الأعمال حول كيفية استجابتهم في المحادثات الواقعية المتعلقة بالصحة - على الرغم من أن المحادثات نفسها تم إنشاؤها بواسطة ماجستير إدارة الأعمال. عندما تم إصدار GPT-5، الذي يشغل كلاً من ChatGPT Health وCopilot Health، في العام الماضي، أبلغت OpenAI عن نتائج HealthBench للنموذج: لقد كان أداؤه أفضل بكثير من نماذج OpenAI السابقة، على الرغم من أن أدائه العام كان بعيدًا عن الكمال. لكن التقييمات مثل HealthBench لها حدود. في دراسة نُشرت الشهر الماضي، وجد بين -طالب الدكتوراه في جامعة أكسفورد- وزملاؤه أنه حتى لو كان طالب الماجستير في الطب قادرًا على تحديد حالة طبية بدقة من خلال سيناريو مكتوب خيالي من تلقاء نفسه، فإن المستخدم غير الخبير الذي يُعطى السيناريو ويطلب منه تحديد الحالة بمساعدة ماجستير في الطب قد يكتشفها في ثلث الحالات فقط. إذا كانوا يفتقرون إلى الخبرة الطبية، فقد لا يعرف المستخدمون أي أجزاء من السيناريو - أو تجربتهم الواقعية - من المهم تضمينها في مطالبتهم، أو قد يسيئون تفسير المعلومات التي تقدمها لهم شهادة LLM. يقول Bean إن فجوة الأداء هذه قد تكون كبيرة بالنسبة لنماذج OpenAI. في دراسة HealthBench الأصلية، ذكرت الشركة أن أداء نماذجها كان ضعيفًا نسبيًا في المحادثات التي تطلبت منهم الحصول على مزيد من المعلومات من المستخدم. إذا كان الأمر كذلك، فإن المستخدمين الذين ليس لديهم ما يكفي من المعرفة الطبية لتزويد برنامج الدردشة الصحي بالمعلومات التي يحتاجها منذ البداية قد يحصلون على نصيحة غير مفيدة أو غير دقيقة. يشير سينغال، رئيس قسم الصحة في OpenAI، إلى أن سلسلة نماذج GPT-5 الحالية للشركة، والتي لم يتم إصدارها بعد عندما تم إجراء دراسة HealthBench الأصلية، تقوم بعمل أفضل بكثير في التماس معلومات إضافية من سابقاتها. ومع ذلك، ذكرت OpenAI أن GPT-5.4، الرائد الحالي، هو في الواقع أسوأ في البحث عن السياق من GPT-5.2، وهو إصدار سابق. من الناحية المثالية، يقول بين، ستخضع روبوتات الدردشة الصحية لاختبارات خاضعة للرقابة مع المستخدمين البشريين، كما حدث في دراسته، قبل إطلاقها للجمهور. قد يكون هذا بمثابة عبء ثقيل، لا سيما بالنظر إلى السرعة التي يتحرك بها عالم الذكاء الاصطناعي والمدة التي يمكن أن تستغرقها الدراسات البشرية. استخدمت دراسة بين الخاصة GPT-4o، الذي صدر منذ عام تقريبًا وأصبح الآن قديمًا. في وقت سابق من هذا الشهر، أصدرت جوجل دراسة تلبي معايير Bean. في الدراسة، ناقش المرضى المخاوف الطبية مع Articulate Medical Intelligence Explorer (AMIE) التابع للشركة، وهو برنامج دردشة آلي طبي LLM غير متاح بعد للجمهور، قبل الاجتماع مع طبيب بشري. بشكل عام، كانت تشخيصات AMIE دقيقة تمامًا مثل تشخيصات الأطباء، ولم تثير أي من المحادثات مخاوف كبيرة تتعلق بالسلامة بالنسبة للباحثين. على الرغم من النتائج المشجعة، لا تخطط Google لإصدار AMIE في أي وقت قريب. كتب آلان كارثيكسالينغام، عالم الأبحاث في Google DeepMind، في رسالة بريد إلكتروني: \"على الرغم من تقدم البحث، إلا أن هناك قيودًا كبيرة يجب معالجتها قبل الترجمة الواقعية لأنظمة التشخيص والعلاج، بما في ذلك إجراء المزيد من الأبحاث في مجال الإنصاف والعدالة واختبارات السلامة\". كشفت Google مؤخرًا أن Health100، وهي منصة صحية تقوم ببنائها بالشراكة مع CVS، ستتضمن مساعدًا للذكاء الاصطناعي مدعومًا بنماذج Gemini الرائدة، على الرغم من أن هذه الأداة لن تكون مخصصة للتشخيص أو العلاج. لا يعتقد رودمان، الذي قاد دراسة AMIE مع كارثيكسالينغام، أن مثل هذه الدراسات المكثفة والمتعددة السنوات هي بالضرورة النهج الصحيح لروبوتات الدردشة مثل ChatGPT Health وCopilot Health. ويقول: \"هناك الكثير من الأسباب التي تجعل نموذج التجارب السريرية لا ينجح دائمًا في الذكاء الاصطناعي التوليدي\". \"وهذا هو المكان الذي تأتي فيه هذه المحادثة المرجعية. هل هناك معايير مرجعية [من] طرف ثالث موثوق يمكننا الاتفاق على أنها ذات معنى، ويمكن للمختبرات الالتزام بها؟\" إنهم مفتاح هناك \"طرف ثالث\". بغض النظر عن مدى قيام الشركات بتقييم منتجاتها على نطاق واسع، فمن الصعب الوثوق باستنتاجاتها بشكل كامل. لا يحقق التقييم الذي يجريه طرف ثالث الحياد فحسب، بل إذا كان هناك العديد من الأطراف الثالثة المعنية، فإنه يساعد أيضًا في الحماية من النقاط العمياء. يقول سينغال من OpenAI إنه يؤيد بشدة التقييم الخارجي. ويقول: \"نحن نبذل قصارى جهدنا لدعم المجتمع\". \"جزء من سبب طرحنا لـ HealthBench هو في الواقع إعطاء المجتمع ومطوري النماذج الآخرين مثالاً على الشكل الذي يبدو عليه التقييم الجيد جدًا.\" ونظرًا لتكلفة إنتاج تقييم عالي الجودة، فهو يقول إنه يشكك في قدرة أي مختبر أكاديمي فردي على إنتاج ما يسميه \"التقييم الوحيد الذي يحكمهم جميعًا\". لكنه أشاد بالجهود التي بذلتها المجموعات الأكاديمية للجمع بين التقييمات الموجودة مسبقًا والجديدة معًا في تقييمات شاملة مجموعات التقييمات - مثل إطار عمل MedHELM بجامعة ستانفورد، الذي يختبر النماذج على مجموعة واسعة من المهام الطبية. حاليًا، يحمل GPT-5 من OpenAI أعلى درجات MedHELM. ويقول نيجام شاه، أستاذ الطب بجامعة ستانفورد الذي قاد مشروع MedHELM، إن له حدودًا. على وجه الخصوص، يقوم فقط بتقييم الاستجابات الفردية لروبوتات الدردشة، لكن الشخص الذي يسعى للحصول على مشورة طبية من إحدى أدوات روبوتات الدردشة قد يشاركها في محادثة متعددة الأدوار ذهابًا وإيابًا. ويقول إنه وبعض المتعاونين يستعدون لبناء تقييم يمكنه تسجيل تلك المحادثات المعقدة، لكن الأمر سيستغرق وقتًا ومالًا. ويقول: \"ليس لدي أنا وأنت أي قدرة على منع هذه الشركات من إطلاق [المنتجات الموجهة نحو الصحة]، لذا فإنها ستفعل ما يحلو لها\". \"الشيء الوحيد الذي يمكن لأشخاص مثلنا فعله هو إيجاد طريقة لتمويل المؤشر\". لم يجادل أحد ممن تمت مقابلتهم في هذا المقال بأن الحاصلين على شهادة LLM في مجال الصحة يحتاجون إلى الأداء المثالي في تقييمات الطرف الثالث حتى يتم إطلاق سراحهم. الأطباء أنفسهم يرتكبون الأخطاء - وبالنسبة لشخص لا يمكنه الوصول إلى الطبيب إلا من حين لآخر، فإن شهادة ماجستير في القانون التي يمكن الوصول إليها باستمرار والتي تتعثر أحيانًا يمكن أن تظل بمثابة تحسن كبير على الوضع الراهن، طالما أن أخطاءها ليست خطيرة للغاية. ومع ذلك، في ظل الوضع الحالي للأدلة، من المستحيل أن نعرف على وجه اليقين ما إذا كانت الأدوات المتاحة حاليًا تشكل تحسنًا بالفعل، أو ما إذا كانت مخاطرها تفوق مخاطرها. فوائد.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/03\/30\/1134881\/the-pentagons-culture-war-tactic-against-anthropic-has-backfired\/",
            "title_en": "The Pentagon’s culture war tactic against Anthropic has backfired",
            "summary_en": "This story originally appeared in The Algorithm, our weekly newsletter on AI. To get stories like this in your inbox first, sign up here . Last Thursday, a California judge temporarily blocked the Pentagon from labeling Anthropic a supply chain risk and ordering government agencies to stop using its AI. It’s the latest development in the month-long feud. And the matter still isn’t settled: The government was given seven days to appeal, and Anthropic has a second case against the designation that has yet to be decided. Until then, the company remains persona non grata with the government. The stakes in the case—how much the government can punish a company for not playing ball—were apparent from the start. Anthropic drew lots of senior supporters with unlikely bedfellows among them, includin",
            "body_en": "This story originally appeared in The Algorithm, our weekly newsletter on AI. To get stories like this in your inbox first, sign up here . Last Thursday, a California judge temporarily blocked the Pentagon from labeling Anthropic a supply chain risk and ordering government agencies to stop using its AI. It’s the latest development in the month-long feud. And the matter still isn’t settled: The government was given seven days to appeal, and Anthropic has a second case against the designation that has yet to be decided. Until then, the company remains persona non grata with the government. The stakes in the case—how much the government can punish a company for not playing ball—were apparent from the start. Anthropic drew lots of senior supporters with unlikely bedfellows among them, including former authors of President Trump’s AI policy. But Judge Rita Lin’s 43-page opinion suggests that what is really a contract dispute never needed to reach such a frenzy. It did so because the government disregarded the existing process for how such disputes are governed and fueled the fire with social media posts from officials that would eventually contradict the positions it took in court. The Pentagon, in other words, wanted a culture war (on top of the actual war in Iran that began hours later). The government used Anthropic’s Claude for much of 2025 without complaint, according to court documents, while the company walked a branding tightrope as a safety-focused AI company that also won defense contracts. Defense employees accessing it through Palantir were required to accept terms of a government-specific usage policy that Anthropic cofounder Jared Kaplan said “prohibited mass surveillance of Americans and lethal autonomous warfare” (Kaplan’s declaration to the court didn’t include details of the policy). Only when the government aimed to contract with Anthropic directly did the disagreements begin. What drew the ire of the judge is that when these disagreements became public, they had more to do with punishment than just cutting ties with Anthropic. And they had a pattern: Tweet first, lawyer later. President Trump’s post on Truth Social on February 27 referenced “Leftwing nutjobs” at Anthropic and directed every federal agency to stop using the company’s AI. This was echoed soon after by Defense Secretary Pete Hegseth, who said he’d direct the Pentagon to label Anthropic a supply chain risk. Doing so necessitates that the secretary take a specific set of actions, which the judge found Hegseth did not complete. Letters sent to congressional committees, for example, said that less drastic steps were evaluated and deemed not possible, without providing any further details. The government also said the designation as a supply chain risk was necessary because Anthropic could implement a “kill switch,” but its lawyers later had to admit it had no evidence of that, the judge wrote. Hegseth’s post also stated that “No contractor, supplier, or partner that does business with the United States military may conduct any commercial activity with Anthropic.” But the government’s own lawyers admitted on Tuesday that the Secretary doesn’t have the power to do that, and agreed with the judge that the statement had “absolutely no legal effect at all.” The aggressive posts also led the judge to also conclude that Anthropic was on solid ground in complaining that its First Amendment rights were violated. The government, the judge wrote while citing the posts, “set out to publicly punish Anthropic for its ‘ideology’ and ‘rhetoric,’ as well as its ‘arrogance’ for being unwilling to compromise those beliefs.” Labeling Anthropic a supply chain risk would essentially be identifying it as a “saboteur” of the government, for which the judge did not see sufficient evidence. She issued an order last Thursday halting the designation, preventing the Pentagon from enforcing it and forbidding the government from fulfilling the promises made by Hegseth and Trump. Dean Ball, who worked on AI policy for the Trump administration but wrote a brief supporting Anthropic, described the judge’s order on Thursday as “a devastating ruling for the government, finding Anthropic likely to prevail on essentially all of its theories for why the government’s actions were unlawful and unconstitutional.” The government is expected to appeal the decision. But Anthropic’s separate case, filed in DC, makes similar allegations. It just references a different segment of the law governing supply chain risks. The court documents paint a pretty clear pattern. Public statements made by officials and the President did not at all align with what the law says should happen in a contract dispute like this, and the government’s lawyers have consistently had to create justifications for social media lambasting of the company after the fact. Pentagon and White House leadership knew that pursuing the nuclear option would spark a court battle; Anthropic vowed on February 27 to fight the supply chain risk designation days before the government formally filed it on March 3. Pursuing it anyway meant senior leadership was, to say the least, distracted during the first five days of the Iran war, launching strikes while also compiling evidence that Anthropic was a saboteur to the government, all while it could have cut ties with Anthropic by simpler means. But even if Anthropic ultimately wins, the government has other means to shun the company from government work. Defense contractors who want to stay on good terms with the Pentagon, for example, now have little reason to work with Anthropic even if it’s not flagged as a supply chain risk. “I think it’s safe to say that there are mechanisms the government can use to apply some degree of pressure without breaking the law,” says Charlie Bullock, a senior research fellow at the Institute for Law and AI. “It kind of depends how invested the government is in punishing Anthropic.” From the evidence thus far, the administration is committing top-level time and attention to winning an AI culture war. At the same time, Claude is apparently so important to its operations that even President Trump said the Pentagon needed six months to stop using it. The White House demands political loyalty and ideological alignment from top AI companies, But the case against Anthropic, at least for now, exposes the limits of its leverage. If you have information about the military’s use of AI, you can share it securely via Signal (username jamesodonnell.22).",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/03\/anthropic-ruling.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/03\/30\/1134881\/the-pentagons-culture-war-tactic-against-anthropic-has-backfired\/",
            "date": "2026-03-30",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "لقد أدى تكتيك الحرب الثقافية الذي اتبعه البنتاغون ضد الأنثروبولوجيا إلى نتائج عكسية",
            "summary_ar": "ظهرت هذه القصة في الأصل في The Algorithm، رسالتنا الإخبارية الأسبوعية حول الذكاء الاصطناعي. للحصول على قصص مثل هذه في بريدك الوارد أولاً، قم بالتسجيل هنا. يوم الخميس الماضي، منع قاض في ولاية كاليفورنيا البنتاغون مؤقتًا من تصنيف شركة أنثروبيك على أنها تمثل خطرًا على سلسلة التوريد وأمر الوكالات الحكومية بالتوقف عن استخدام الذكاء الاصطناعي الخاص بها. إنه أحدث تطور في الخلاف المستمر منذ شهر. وما زال الأمر لم يتم تسويته: فقد مُنحت الحكومة سبعة أيام للاستئناف، ولدى أنثروبيك قضية ثانية ضد التصنيف لم يتم البت فيها بعد. وحتى ذلك الحين، تظل الشركة شخصًا غير مرغوب فيه لدى الحكومة. كانت المخاطر في هذه القضية – إلى أي مدى يمكن للحكومة معاقبة شركة لعدم لعب الكرة – واضحة منذ البداية. لقد اجتذبت الأنثروبيك الكثير من كبار المؤيدين ومن بينهم رفاق غير متوقعين، بما في ذلك",
            "body_ar": "ظهرت هذه القصة في الأصل في The Algorithm، رسالتنا الإخبارية الأسبوعية حول الذكاء الاصطناعي. للحصول على قصص مثل هذه في بريدك الوارد أولاً، قم بالتسجيل هنا. يوم الخميس الماضي، منع قاض في ولاية كاليفورنيا البنتاغون مؤقتًا من تصنيف شركة أنثروبيك على أنها تمثل خطرًا على سلسلة التوريد وأمر الوكالات الحكومية بالتوقف عن استخدام الذكاء الاصطناعي الخاص بها. إنه أحدث تطور في الخلاف المستمر منذ شهر. وما زال الأمر لم يتم تسويته: فقد مُنحت الحكومة سبعة أيام للاستئناف، ولدى أنثروبيك قضية ثانية ضد التصنيف لم يتم البت فيها بعد. وحتى ذلك الحين، تظل الشركة شخصًا غير مرغوب فيه لدى الحكومة. كانت المخاطر في هذه القضية – إلى أي مدى يمكن للحكومة معاقبة شركة لعدم لعب الكرة – واضحة منذ البداية. اجتذبت مجلة الأنثروبيك الكثير من كبار المؤيدين ومن بينهم رفاق غير متوقعين، بما في ذلك المؤلفون السابقون لسياسة الذكاء الاصطناعي للرئيس ترامب. لكن رأي القاضية ريتا لين المؤلف من 43 صفحة يشير إلى أن ما هو في الواقع نزاع على العقد لم يكن بحاجة إلى الوصول إلى مثل هذا الجنون. لقد فعلت ذلك لأن الحكومة تجاهلت العملية الحالية لكيفية إدارة مثل هذه النزاعات وأججت النار من خلال منشورات على وسائل التواصل الاجتماعي من المسؤولين والتي من شأنها أن تتعارض في النهاية مع المواقف التي اتخذتها في المحكمة. وبعبارة أخرى، أراد البنتاغون حرباً ثقافية (علاوة على الحرب الفعلية في إيران التي بدأت بعد ساعات). استخدمت الحكومة شركة Anthropic's Claude طوال معظم عام 2025 دون شكوى، وفقًا لوثائق المحكمة، بينما سارت الشركة على حبل مشدود كشركة ذكاء اصطناعي تركز على السلامة وفازت أيضًا بعقود دفاع. طُلب من موظفي الدفاع الذين يصلون إليها من خلال شركة Palantir قبول شروط سياسة الاستخدام الخاصة بالحكومة، والتي قال المؤسس المشارك لشركة Anthropic، جاريد كابلان، إنها \"تحظر المراقبة الجماعية للأمريكيين والحرب المستقلة المميتة\" (لم يتضمن إعلان كابلان للمحكمة تفاصيل السياسة). فقط عندما كانت الحكومة تهدف إلى التعاقد مع الأنثروبيك بشكل مباشر بدأت الخلافات. ما أثار غضب القاضي هو أنه عندما أصبحت هذه الخلافات علنية، كان لها علاقة بالعقاب أكثر من مجرد قطع العلاقات مع الأنثروبي. وكان لديهم نمط: التغريد أولاً، والمحامي لاحقاً. أشار منشور الرئيس ترامب على موقع Truth Social في 27 فبراير إلى \"المهووسين اليساريين\" في Anthropic ووجه كل وكالة فيدرالية بالتوقف عن استخدام الذكاء الاصطناعي الخاص بالشركة. وقد ردد وزير الدفاع بيت هيجسيث هذا بعد فترة وجيزة، حيث قال إنه سيوجه البنتاغون لتصنيف الأنثروبيك على أنه خطر على سلسلة التوريد. ويتطلب القيام بذلك أن يتخذ السكرتير مجموعة محددة من الإجراءات، والتي وجد القاضي أن هيجسيث لم يكملها. على سبيل المثال، ذكرت الرسائل المرسلة إلى لجان الكونجرس أنه تم تقييم الخطوات الأقل جذرية واعتبرت غير ممكنة، دون تقديم أي تفاصيل أخرى. وقالت الحكومة أيضًا إن التصنيف باعتباره خطرًا على سلسلة التوريد كان ضروريًا لأن شركة Anthropic يمكنها تنفيذ \"مفتاح الإيقاف\"، لكن محاميها اضطروا لاحقًا إلى الاعتراف بأنه ليس لديهم دليل على ذلك، حسبما كتب القاضي. وذكر منشور هيجسيث أيضًا أنه \"لا يجوز لأي مقاول أو مورد أو شريك يتعامل مع الجيش الأمريكي إجراء أي نشاط تجاري مع أنثروبك\". لكن محاميي الحكومة اعترفوا يوم الثلاثاء بأن الوزير ليس لديه السلطة للقيام بذلك، واتفقوا مع القاضي على أن البيان \"ليس له أي أثر قانوني على الإطلاق\". كما دفعت المنشورات العدوانية القاضي أيضًا إلى استنتاج أن الأنثروبيك كانت على أرض صلبة في الشكوى من التعديل الأول لها تم انتهاك الحقوق. كتب القاضي أثناء نقله عن المنشورات أن الحكومة \"شرعت في معاقبة الأنثروبيك علنًا بسبب\" أيديولوجيتها \"و\" خطابها \"، فضلاً عن\" غطرستها \"لعدم استعدادها للتنازل عن تلك المعتقدات\". إن وصف الأنثروبي بأنه خطر على سلسلة التوريد يعني في الأساس تعريفه على أنه \"مخرب\" للحكومة، وهو الأمر الذي لم يجد القاضي أدلة كافية عليه. وأصدرت أمرا يوم الخميس الماضي بوقف التصنيف ومنع البنتاغون من تنفيذه ومنع الحكومة من الوفاء بالوعود التي قطعها هيجسيث وترامب. وصف دين بول، الذي عمل في سياسة الذكاء الاصطناعي لإدارة ترامب ولكنه كتب موجزًا ​​يدعم الأنثروبيك، أمر القاضي يوم الخميس بأنه \"حكم مدمر للحكومة، حيث وجد أن الأنثروبيك من المرجح أن يسود بشكل أساسي على جميع نظرياتها حول سبب كون تصرفات الحكومة غير قانونية وغير دستورية\". ومن المتوقع أن تستأنف الحكومة القرار. لكن قضية أنثروبيك المنفصلة، ​​المرفوعة في العاصمة، تتضمن ادعاءات مماثلة. إنه يشير فقط إلى جزء مختلف من القانون الذي يحكم مخاطر سلسلة التوريد. ترسم وثائق المحكمة نمطًا واضحًا جدًا. لم تتماشى التصريحات العامة التي أدلى بها المسؤولون والرئيس على الإطلاق مع ما ينص عليه القانون أنه يجب أن يحدث في نزاع عقد مثل هذا، وكان على محامي الحكومة باستمرار خلق مبررات لانتقاد الشركة على وسائل التواصل الاجتماعي بعد وقوعها. وكانت قيادة البنتاغون والبيت الأبيض تعلم أن اتباع الخيار النووي من شأنه أن يثير معركة قضائية؛ تعهدت شركة Anthropic في 27 فبراير بمحاربة تصنيف مخاطر سلسلة التوريد قبل أيام من تقديم الحكومة رسميًا لها في 3 مارس. إن ملاحقتها على أي حال تعني، على أقل تقدير، أن القيادة العليا كانت مشتتة الانتباه خلال الأيام الخمسة الأولى من حرب إيران، حيث شنت ضربات بينما كانت تجمع أيضًا أدلة على أن شركة أنثروبيك كانت مخربة للحكومة، كل ذلك في حين أنه كان بإمكانها قطع العلاقات مع أنثروبك بوسائل أبسط. ولكن حتى لو فازت شركة أنثروبيك في النهاية، فإن الحكومة لديها وسائل أخرى لمنع الشركة من العمل الحكومي. على سبيل المثال، ليس لدى مقاولي الدفاع الذين يرغبون في البقاء على علاقة جيدة مع البنتاغون سبب وجيه للعمل مع شركة أنثروبيك حتى لو لم يتم تصنيفها على أنها تشكل خطرًا على سلسلة التوريد. يقول تشارلي بولوك، زميل أبحاث أول في معهد القانون والذكاء الاصطناعي: \"أعتقد أنه من الآمن أن نقول إن هناك آليات يمكن للحكومة استخدامها لممارسة درجة معينة من الضغط دون خرق القانون\". \"يعتمد الأمر نوعًا ما على مدى استثمار الحكومة في معاقبة الأنثروبولوجيا\". ومن الأدلة المتوفرة حتى الآن، فإن الإدارة تلتزم بوقت واهتمام على أعلى مستوى للفوز في حرب ثقافة الذكاء الاصطناعي. وفي الوقت نفسه، يبدو أن كلود مهم جدًا لعملياتها حتى أن الرئيس ترامب قال إن البنتاغون يحتاج إلى ستة أشهر للتوقف عن استخدامه. ويطالب البيت الأبيض بالولاء السياسي والمواءمة الأيديولوجية من كبرى شركات الذكاء الاصطناعي، لكن القضية المرفوعة ضد شركة أنثروبيك، على الأقل في الوقت الحالي، تكشف حدود نفوذها. إذا كانت لديك معلومات حول استخدام الجيش للذكاء الاصطناعي، فيمكنك مشاركتها بشكل آمن عبر تطبيق Signal (اسم المستخدم جيمسودونيل.22).",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/03\/25\/1134642\/this-startup-wants-to-change-how-mathematicians-do-math\/",
            "title_en": "This startup wants to change how mathematicians do math",
            "summary_en": "Axiom Math, a startup based in Palo Alto, California, has released a free new AI tool for mathematicians , designed to discover mathematical patterns that could unlock solutions to long-standing problems. The tool, called Axplorer, is a redesign of an existing one called PatternBoost that François Charton, now a research scientist at Axiom, co-developed in 2024 when he was at Meta. PatternBoost ran on a supercomputer; Axplorer runs on a Mac Pro. The aim is to put the power of PatternBoost, which was used to crack a hard math puzzle known as the Turán four-cycles problem, in the hands of anyone who can install Axplorer on their own computer. Last year, the US Defense Advanced Research Projects Agency set up a new initiative called expMath—short for Exponentiating Mathematics—to encourage ma",
            "body_en": "Axiom Math, a startup based in Palo Alto, California, has released a free new AI tool for mathematicians , designed to discover mathematical patterns that could unlock solutions to long-standing problems. The tool, called Axplorer, is a redesign of an existing one called PatternBoost that François Charton, now a research scientist at Axiom, co-developed in 2024 when he was at Meta. PatternBoost ran on a supercomputer; Axplorer runs on a Mac Pro. The aim is to put the power of PatternBoost, which was used to crack a hard math puzzle known as the Turán four-cycles problem, in the hands of anyone who can install Axplorer on their own computer. Last year, the US Defense Advanced Research Projects Agency set up a new initiative called expMath—short for Exponentiating Mathematics—to encourage mathematicians to develop and use AI tools . Axiom sees itself as part of that drive. Breakthroughs in math have enormous knock-on effects across technology, says Charton. In particular, new math is crucial for advances in computer science, from building next-generation AI to improving internet security. Most of the successes with AI tools have involved finding solutions to existing problems. But finding solutions is not all that mathematicians do, says Axiom Math founder and CEO Carina Hong. Math is exploratory and experimental, she says. MIT Technology Review met with Charton and Hong last week for an exclusive video chat about their new tool and how AI in general could change mathematics. Math by chatbot In the last few months, a number of mathematicians have used LLMs, such as OpenAI’s GPT-5, to find solutions to unsolved problems, especially ones set by the 20th-century mathematician Paul Erdős, who left behind hundreds of puzzles when he died. But Charton is dismissive of those successes. “There are tons of problems that are open because nobody looked at them, and it’s easy to find a few gems you can solve,” he says. He’s set his sights on tougher challenges—“the big problems that have been very, very well studied and famous people have worked on them.” The Turán four-cycles problem that PatternBoost cracked is one such problem, says Charton. (The problem is an important one in graph theory, a branch of math that’s used to analyze complex networks such as social media connections, supply chains, and search engine rankings. Imagine a page covered in dots. The puzzle involves figuring out how to draw lines between as many of the dots as possible without creating loops that connect four dots in a row.) Axiom Math says it has used Axplorer to match or improve on the best-known results for two other big problems in graph theory as well. “LLMs are extremely good if what you want to do is derivative of something that has already been done,” says Charton. “This is not surprising—LLMs are pretrained on all the data that there is. But you could say that LLMs are conservative. They try to reuse things that exist.” However, there are lots of problems in math that require new ideas, insights that nobody has ever had. Sometimes those insights come from spotting patterns that hadn’t been spotted before. Such discoveries can open up whole new branches of mathematics. PatternBoost was designed to help mathematicians find new patterns. Give the tool an example and it generates others like it. You select the ones that seem interesting and feed them back in. The tool then generates more like those, and so on. It’s a similar idea to Google DeepMind’s AlphaEvolve, a system that uses an LLM to come up with novel solutions to a problem . AlphaEvolve keeps the best suggestions and asks the LLM to improve on them. Special access Researchers have already used both AlphaEvolve and PatternBoost to discover new solutions to long-standing math problems. The trouble is that those tools run on large clusters of GPUs and are not available to most mathematicians. Mathematicians are excited about AlphaEvolve, says Charton. “But it’s closed—you need to have access to it. You have to go and ask the DeepMind guy to type in your problem for you.” And when Charton solved the Turán problem with PatternBoost, he was still at Meta. “I had literally thousands, sometimes tens of thousands, of machines I could run it on,” he says. “It ran for three weeks. It was embarrassing brute force.” Axplorer is far faster and far more efficient, according to the team at Axiom Math. Charton says it took Axplorer just 2.5 hours to match PatternBoost’s Turán result. And it runs on a single machine. Geordie Williamson, a mathematician at the University of Sydney, who worked on PatternBoost with Charton, has not yet tried Axplorer. But he is curious to see what mathematicians do with it. (Williamson still occasionally collaborates with Charton on academic projects but says he is not otherwise connected to Axiom Math.) Williamson says Axiom Math has made several improvements to PatternBoost that (in theory) make Axplorer applicable to a wider range of mathematical problems. “It remains to be seen how significant these improvements are,” he says. “We are in a strange time at the moment, where lots of companies have tools that they’d like us to use,” Williamson adds. “I would say mathematicians are somewhat overwhelmed by the possibilities. It is unclear to me what impact having another such tool will be.” Hong admits that there are a lot of AI tools being pitched at mathematicians right now. Some also require mathematicians to train their own neural networks. That’s a turnoff, says Hong, who is a mathematician herself. Instead, Axplorer will walk you through what you want to do step by step, she says. The code for Axplorer is open source and available via GitHub . Hong hopes that students and researchers will use the tool to generate sample solutions and counterexamples to problems they’re working on, speeding up mathematical discovery. Williamson welcomes new tools and says he uses LLMs a lot. But he doesn’t think mathematicians should throw out the whiteboards just yet. “In my biased opinion, PatternBoost is a lovely idea, but it is certainly not a panacea,” he says. “I’d love us not to forget more down-to-earth approaches.”",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/03\/260320_MathAI.jpg?resize=1200,600",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/03\/25\/1134642\/this-startup-wants-to-change-how-mathematicians-do-math\/",
            "date": "2026-03-25",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تريد هذه الشركة الناشئة تغيير طريقة قيام علماء الرياضيات بالرياضيات",
            "summary_ar": "أصدرت شركة Axiom Math، وهي شركة ناشئة مقرها في بالو ألتو، كاليفورنيا، أداة ذكاء اصطناعي جديدة مجانية لعلماء الرياضيات، مصممة لاكتشاف الأنماط الرياضية التي يمكن أن تفتح حلولاً للمشكلات طويلة الأمد. الأداة، التي تسمى Axplorer، هي إعادة تصميم لأداة موجودة تسمى PatternBoost والتي شارك فرانسوا تشارتون، وهو الآن عالم أبحاث في اكسيوم، في تطويرها في عام 2024 عندما كان في ميتا. تم تشغيل PatternBoost على كمبيوتر فائق السرعة. يعمل برنامج Axplorer على جهاز Mac Pro. الهدف هو وضع قوة PatternBoost، التي تم استخدامها لحل لغز رياضي صعب يُعرف باسم مشكلة Turán الأربع دورات، في أيدي أي شخص يمكنه تثبيت Axplorer على جهاز الكمبيوتر الخاص به. في العام الماضي، أطلقت وكالة مشاريع الأبحاث المتقدمة التابعة لوزارة الدفاع الأمريكية مبادرة جديدة تسمى expMath - وهي اختصار لعبارة \"تبسيط الرياضيات\" - لتشجيع أماه",
            "body_ar": "أصدرت شركة Axiom Math، وهي شركة ناشئة مقرها في بالو ألتو، كاليفورنيا، أداة ذكاء اصطناعي جديدة مجانية لعلماء الرياضيات، مصممة لاكتشاف الأنماط الرياضية التي يمكن أن تفتح حلولاً للمشكلات طويلة الأمد. الأداة، التي تسمى Axplorer، هي إعادة تصميم لأداة موجودة تسمى PatternBoost والتي شارك فرانسوا تشارتون، وهو الآن عالم أبحاث في اكسيوم، في تطويرها في عام 2024 عندما كان في ميتا. تم تشغيل PatternBoost على كمبيوتر فائق السرعة. يعمل برنامج Axplorer على جهاز Mac Pro. الهدف هو وضع قوة PatternBoost، التي تم استخدامها لحل لغز رياضي صعب يُعرف باسم مشكلة Turán الأربع دورات، في أيدي أي شخص يمكنه تثبيت Axplorer على جهاز الكمبيوتر الخاص به. في العام الماضي، أنشأت وكالة مشاريع الأبحاث المتقدمة التابعة لوزارة الدفاع الأمريكية مبادرة جديدة تسمى expMath - وهي اختصار لعبارة \"تبسيط الرياضيات\" - لتشجيع علماء الرياضيات على تطوير واستخدام أدوات الذكاء الاصطناعي. ترى اكسيوم نفسها جزءًا من هذا المحرك. يقول تشارتون إن الإنجازات في الرياضيات لها تأثيرات هائلة على التكنولوجيا. وعلى وجه الخصوص، تعد الرياضيات الجديدة أمرًا بالغ الأهمية للتقدم في علوم الكمبيوتر، بدءًا من بناء الجيل التالي من الذكاء الاصطناعي وحتى تحسين أمن الإنترنت. تضمنت معظم النجاحات التي حققتها أدوات الذكاء الاصطناعي إيجاد حلول للمشاكل القائمة. لكن إيجاد الحلول ليس كل ما يفعله علماء الرياضيات، كما تقول كارينا هونغ، المؤسس والرئيس التنفيذي لشركة أكسيوم ماث. وتقول إن الرياضيات استكشافية وتجريبية. التقت MIT Technology Review مع تشارتون وهونج الأسبوع الماضي لإجراء محادثة فيديو حصرية حول أداتهم الجديدة وكيف يمكن للذكاء الاصطناعي بشكل عام أن يغير الرياضيات. في الأشهر القليلة الماضية، استخدم عدد من علماء الرياضيات شهادات الماجستير في القانون، مثل GPT-5 من OpenAI، لإيجاد حلول للمسائل التي لم يتم حلها، وخاصة تلك التي وضعها عالم الرياضيات في القرن العشرين بول إردوس، الذي ترك وراءه مئات الألغاز عندما توفي. لكن تشارتون يرفض هذه النجاحات. ويقول: \"هناك الكثير من المشاكل المفتوحة لأنه لم ينظر إليها أحد، ومن السهل العثور على بعض الجواهر التي يمكنك حلها\". لقد وضع نصب عينيه تحديات أكثر صعوبة - \"المشكلات الكبيرة التي تمت دراستها جيدًا جدًا وعمل عليها أشخاص مشهورون\". يقول تشارتون إن مشكلة توران ذات الدورات الأربع التي حلها PatternBoost هي إحدى هذه المشاكل. (المشكلة مهمة في نظرية الرسم البياني، وهو فرع من الرياضيات يستخدم لتحليل الشبكات المعقدة مثل اتصالات وسائل التواصل الاجتماعي، وسلاسل التوريد، وتصنيفات محركات البحث. تخيل صفحة مغطاة بالنقاط. يتضمن اللغز معرفة كيفية رسم خطوط بين أكبر عدد ممكن من النقاط دون إنشاء حلقات تربط أربع نقاط على التوالي.) وتقول اكسيوم ماث إنها استخدمت برنامج Axplorer لمطابقة أفضل النتائج المعروفة أو تحسينها لمشكلتين كبيرتين أخريين في نظرية الرسم البياني. حسنا. يقول تشارتون: \"إن شهادات الماجستير في القانون تكون جيدة للغاية إذا كان ما تريد القيام به مشتقًا من شيء تم إنجازه بالفعل\". \"هذا ليس مفاجئًا، فطلاب الماجستير في القانون مدربون مسبقًا على جميع البيانات الموجودة. ولكن يمكنك القول إن طلاب الماجستير في القانون محافظون. فهم يحاولون إعادة استخدام الأشياء الموجودة.\" ومع ذلك، هناك الكثير من المسائل في الرياضيات التي تتطلب أفكارًا جديدة، ورؤى لم يسبق لأحد أن حصل عليها. في بعض الأحيان تأتي هذه الأفكار من اكتشاف أنماط لم يتم رصدها من قبل. يمكن لمثل هذه الاكتشافات أن تفتح فروعًا جديدة تمامًا للرياضيات. تم تصميم PatternBoost لمساعدة علماء الرياضيات في العثور على أنماط جديدة. أعط الأداة مثالاً وسوف تولد آخرين مثلها. يمكنك تحديد العناصر التي تبدو مثيرة للاهتمام وإدخالها مرة أخرى. ثم تقوم الأداة بإنشاء المزيد مثل تلك، وما إلى ذلك. إنها فكرة مشابهة لنظام AlphaEvolve من Google DeepMind، وهو نظام يستخدم شهادة LLM للتوصل إلى حلول جديدة لمشكلة ما. يحتفظ AlphaEvolve بأفضل الاقتراحات ويطلب من LLM تحسينها. لقد استخدم الباحثون بالفعل كلاً من AlphaEvolve وPatternBoost لاكتشاف حلول جديدة لمشاكل الرياضيات طويلة الأمد. المشكلة هي أن هذه الأدوات تعمل على مجموعات كبيرة من وحدات معالجة الرسومات وليست متاحة لمعظم علماء الرياضيات. يقول تشارتون إن علماء الرياضيات متحمسون بشأن AlphaEvolve. \"لكنه مغلق، ويجب أن يكون بإمكانك الوصول إليه. عليك أن تذهب وتطلب من رجل DeepMind أن يكتب لك مشكلتك. وعندما قام تشارتون بحل مشكلة توران باستخدام PatternBoost، كان لا يزال في Meta. يقول: \"كان لدي الآلاف، وأحيانًا عشرات الآلاف، من الآلات التي يمكنني تشغيلها عليها\". \"لقد استمر لمدة ثلاثة أسابيع. لقد كانت قوة غاشمة محرجة. يعتبر Axplorer أسرع بكثير وأكثر كفاءة، وفقًا لفريق Axiom Math. يقول تشارتون إن الأمر استغرق 2.5 ساعة فقط من Axplorer لمطابقة نتيجة توران الخاصة بـ PatternBoost. ويعمل على جهاز واحد. جوردي ويليامسون، عالم الرياضيات في جامعة سيدني، الذي عمل على PatternBoost مع تشارتون، لم يجرب Axplorer بعد. لكنه يشعر بالفضول لرؤية ما يفعله علماء الرياضيات به. (لا يزال ويليامسون يتعاون أحيانًا مع تشارتون في مشاريع أكاديمية، لكنه يقول إنه غير مرتبط بـ Axiom Math.) يقول ويليامسون إن Axiom Math قامت بإجراء العديد من التحسينات على PatternBoost والتي (من الناحية النظرية) تجعل Axplorer قابلاً للتطبيق على نطاق أوسع من المشكلات الرياضية. ويقول: \"يبقى أن نرى مدى أهمية هذه التحسينات\". ويضيف ويليامسون: \"نحن في وقت غريب في الوقت الحالي، حيث تمتلك الكثير من الشركات الأدوات التي ترغب في أن نستخدمها\". \"أود أن أقول إن علماء الرياضيات غارقون إلى حد ما في الاحتمالات. ومن غير الواضح بالنسبة لي ما هو التأثير الذي سيحدثه وجود أداة أخرى من هذا القبيل.\" يعترف هونغ بوجود الكثير من أدوات الذكاء الاصطناعي التي يتم عرضها على علماء الرياضيات في الوقت الحالي. ويتطلب البعض أيضًا من علماء الرياضيات تدريب شبكاتهم العصبية الخاصة. تقول هونغ، وهي عالمة رياضيات، إن هذا يمثل منعطفًا. بدلاً من ذلك، سترشدك منصة Axplorer إلى ما تريد القيام به خطوة بخطوة، كما تقول. كود Axplorer مفتوح المصدر ومتاح عبر GitHub. ويأمل هونغ أن يستخدم الطلاب والباحثون الأداة لتوليد حلول نموذجية وأمثلة مضادة للمشكلات التي يعملون عليها، مما يؤدي إلى تسريع الاكتشاف الرياضي. يرحب ويليامسون بالأدوات الجديدة ويقول إنه يستخدم شهادات LLM كثيرًا. لكنه لا يعتقد أنه يجب على علماء الرياضيات التخلص من السبورات البيضاء حتى الآن. ويقول: \"في رأيي المتحيز، تعتبر PatternBoost فكرة رائعة، لكنها بالتأكيد ليست حلاً سحريًا\". \"أحب ألا ننسى المزيد من الواقعية يقترب.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/www.technologyreview.com\/2026\/03\/25\/1134516\/agentic-commerce-runs-on-truth-and-context\/",
            "title_en": "Agentic commerce runs on truth and context",
            "summary_en": "Imagine telling a digital agent, “Use my points and book a family trip to Italy. Keep it within budget, pick hotels we’ve liked before, and handle the details.” Instead of returning a list of links, the agent assembles an itinerary and executes the purchase. That shift, from assistance to execution, is what makes agentic AI different. It also changes the operating speed of commerce. Payment transactions are already clear in milliseconds. The new acceleration is everything before the payment: discovery, comparison, decisioning, authorization, and follow-through across many systems. As humans step out of routine decisions, “good enough” data stops being good enough. In an agent-driven economy, the constraint isn’t speed; it’s trust at machine speed and scale. Automated markets already work b",
            "body_en": "Imagine telling a digital agent, “Use my points and book a family trip to Italy. Keep it within budget, pick hotels we’ve liked before, and handle the details.” Instead of returning a list of links, the agent assembles an itinerary and executes the purchase. That shift, from assistance to execution, is what makes agentic AI different. It also changes the operating speed of commerce. Payment transactions are already clear in milliseconds. The new acceleration is everything before the payment: discovery, comparison, decisioning, authorization, and follow-through across many systems. As humans step out of routine decisions, “good enough” data stops being good enough. In an agent-driven economy, the constraint isn’t speed; it’s trust at machine speed and scale. Automated markets already work because identity, authority, and accountability are built in. As agents transact across businesses, that same clarity is required. Master data management (MDM) —the discipline of creating a single master record—becomes the exchange layer: tracking who an agent represents, what it can do, and where responsibility sits when value moves. Markets don’t fail from automation; they fail from ambiguous ownership. MDM turns autonomous action into legitimate, scalable trust. To make agentic commerce safe and scalable, organizations will need more than better models. They will need a modern data architecture and an authoritative system of context that can instantly recognize, resolve, and distinguish entities. It is the difference between automation that scales and automation that needs constant human correction. The agent is a new participant Digital commerce has long been built on two primary sides: buyers and suppliers\/merchants. Agentic commerce adds a third participant that must be treated as a first-class entity: the agent acting on the buyer’s behalf. That sounds simple until you ask the questions every enterprise will face: Who is the individual, across channels and devices, with enough certainty for automation? Who is the agent, and what permissions and limits define what it can do? Who is the merchant or supplier, and are we sure we mean the right one? Who holds liability if the agent acts with permission, but against user intent? The practical risk is confusion. Humans, for example, can infer that “Delta” means the airline when they are booking a flight, not the faucet company. An agent needs deterministic signals. If the system guesses wrong, it either breaks trust or forces a human confirmation step that defeats the promise of speed. Why ‘good enough’ data breaks at machine speed Most organizations have learned to live with imperfect data. Duplicate customer records are tolerable. Incomplete product attributes are annoying. Merchant identities can be reconciled later. Agentic workflows change that tolerance. When an agent takes action without a human checking the output, it needs data that is close to perfect, because it cannot reliably notice when data is ambiguous or wrong the way a person can. The failure modes are predictable, and they show up in places that matter most: Product truth : If the catalog is inconsistent, an agent’s choices will look arbitrary (“the wrong shirt,” “the wrong size,” “the wrong material”), and trust collapses quickly. Payee truth : Agentic commerce expands beyond cards to account-to-account and open-banking-connected experiences, broadening the universe of payees and the need to recognize them accurately in real time. Identity truth : People operate in multiple contexts (work versus personal). Devices shift. A system that cannot distinguish amongst these contexts will either block legitimate activity or approve risky activity, both of which damage adoption. This is why unified enterprise data and entity resolution move from nice to have to operationally required. The more autonomy you want, the more you must invest in modern data foundations that ensure it is safe. Context intelligence: The missing layer When leaders talk about agentic AI, they often focus on model capability: planning, tool use, and reasoning. Those are necessary, but they are not sufficient. Agentic commerce also requires a layer that provides authoritative context at runtime. Think of it as a real-time system of context that can answer instantly and consistently: • Is this the right person? • Is this the right agent, acting within the right permissions? • Is this the right merchant or payee? • What constraints apply right now (budget, policy, risk, loyalty rules, preferred suppliers)? Two design principles matter. First, entity truth must be deterministic enough for automation. Large language models are probabilistic by nature. That is helpful for creating options for writing and drawing. It is risky for deciding where money goes, especially in B2B and finance workflows, where “probably correct” is not acceptable. Second, context must travel at the speed of interaction and remain portable across the entire connected network value chain. Mastercard’s experience optimizing payment flows is instructive: the more services you layer onto a transaction, the more you risk slowing it down. The pattern that scales pre-resolves, curates, and packages the signal so that execution is lightweight. This is also where tokenization is heading. Initiatives like Mastercard’s Agent Pay and Verifiable Intent signal a future in which consumer credentials, agent identities, permissions, and provable user intent are encoded as cryptographically secure artifacts — enabling merchants, issuers and platforms to deterministically verify authorization and execution at machine speed. What leaders should do in the next 12 to 24 months Adoption will not be uniform. Early traction will often depend less on industry and more on the sophistication of an organization’s systems and data discipline. That makes the next two years a window for practical preparation. Five moves stand out. Treat agents as governed identities, not features. Define how agents are onboarded, authenticated, permissioned, monitored, and retired. Prioritize entity resolution where the cost of being wrong is highest. Start with payees, suppliers, employee-versus-personal identity, and high-volume product categories. Build a reusable context service that every workflow and agent can call. Do not force each system to reconstruct identity and relationships from scratch. Precompute and compress signals. Resolve and curate context upstream so that runtime decisioning stays fast and predictable. Expand autonomy only as trust is earned. Build a governance framework to address disputes, keep humans in the loop for higher-risk actions, measure accuracy, and expand automation as outcomes prove reliable. A tsunami effect across industries Agentic AI will not be confined to shopping carts. It will touch procurement, travel, claims, customer service, and finance operations. It will compress decision cycles and remove manual steps, but only for organizations that can supply agents with clean identity, precise entity truth, and reliable context. The winners will treat entity truth and context as core infrastructure for automation, not as a back-office cleanup project. In commerce at machine speed, trust is not a brand attribute; it is an architectural decision encoded in identity, context, and control. This content was produced by Reltio. It was not written by MIT Technology Review’s editorial staff.",
            "image": "https:\/\/wp.technologyreview.com\/wp-content\/uploads\/2026\/03\/Reltio-iStock-1148409221.jpg?w=2120",
            "source_url": "https:\/\/www.technologyreview.com\/2026\/03\/25\/1134516\/agentic-commerce-runs-on-truth-and-context\/",
            "date": "2026-03-25",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "التجارة بالوكالة تعمل على الحقيقة والسياق",
            "summary_ar": "تخيل أنك تقول لأحد الوكلاء الرقميين: \"استخدم نقاطي واحجز رحلة عائلية إلى إيطاليا. احتفظ بها في حدود الميزانية، واختر الفنادق التي أعجبتنا من قبل، وتعامل مع التفاصيل\". بدلاً من إرجاع قائمة الروابط، يقوم الوكيل بتجميع خط سير الرحلة وتنفيذ عملية الشراء. هذا التحول، من المساعدة إلى التنفيذ، هو ما يجعل الذكاء الاصطناعي الوكيل مختلفًا. كما أنه يغير سرعة تشغيل التجارة. أصبحت معاملات الدفع واضحة بالفعل بالمللي ثانية. التسريع الجديد هو كل شيء قبل الدفع: الاكتشاف، والمقارنة، واتخاذ القرار، والترخيص، والمتابعة عبر العديد من الأنظمة. ومع خروج البشر من القرارات الروتينية، تتوقف البيانات \"الجيدة بما فيه الكفاية\" عن كونها جيدة بما فيه الكفاية. في الاقتصاد الذي يحركه الوكيل، القيد ليس السرعة؛ إنها الثقة في سرعة الماكينة وحجمها. الأسواق الآلية تعمل بالفعل",
            "body_ar": "تخيل أنك تقول لأحد الوكلاء الرقميين: \"استخدم نقاطي واحجز رحلة عائلية إلى إيطاليا. احتفظ بها في حدود الميزانية، واختر الفنادق التي أعجبتنا من قبل، وتعامل مع التفاصيل\". بدلاً من إرجاع قائمة الروابط، يقوم الوكيل بتجميع خط سير الرحلة وتنفيذ عملية الشراء. هذا التحول، من المساعدة إلى التنفيذ، هو ما يجعل الذكاء الاصطناعي الوكيل مختلفًا. كما أنه يغير سرعة تشغيل التجارة. أصبحت معاملات الدفع واضحة بالفعل بالمللي ثانية. التسريع الجديد هو كل شيء قبل الدفع: الاكتشاف، والمقارنة، واتخاذ القرار، والترخيص، والمتابعة عبر العديد من الأنظمة. ومع خروج البشر من القرارات الروتينية، تتوقف البيانات \"الجيدة بما فيه الكفاية\" عن كونها جيدة بما فيه الكفاية. في الاقتصاد الذي يحركه الوكيل، القيد ليس السرعة؛ إنها الثقة في سرعة الماكينة وحجمها. تعمل الأسواق الآلية بالفعل لأن الهوية والسلطة والمساءلة مدمجة فيها. وبما أن الوكلاء يتعاملون عبر الشركات، فإن نفس الوضوح مطلوب. تصبح إدارة البيانات الرئيسية (MDM) - نظام إنشاء سجل رئيسي واحد - هي طبقة التبادل: تتبع من يمثله الوكيل، وما يمكنه فعله، وأين تقع المسؤولية عندما تتحرك القيمة. الأسواق لا تفشل بسبب الأتمتة؛ يفشلون من ملكية غامضة. يقوم MDM بتحويل العمل المستقل إلى ثقة مشروعة وقابلة للتطوير. ولجعل التجارة الوكيلة آمنة وقابلة للتطوير، ستحتاج المؤسسات إلى أكثر من مجرد نماذج أفضل. وسوف يحتاجون إلى بنية بيانات حديثة ونظام سياق موثوق يمكنه التعرف على الكيانات وحلها وتمييزها على الفور. إنه الفرق بين الأتمتة التي تتوسع والأتمتة التي تحتاج إلى تصحيح بشري مستمر. الوكيل هو مشارك جديد لقد تم بناء التجارة الرقمية منذ فترة طويلة على جانبين أساسيين: المشترين والموردين\/التجار. تضيف التجارة بالوكالة مشاركًا ثالثًا يجب معاملته ككيان من الدرجة الأولى: الوكيل الذي يعمل نيابة عن المشتري يبدو هذا بسيطًا حتى تطرح الأسئلة التي ستواجهها كل مؤسسة: من هو الفرد، عبر القنوات والأجهزة، الذي يتمتع بقدر كافٍ من اليقين للأتمتة؟ من هو الوكيل، وما هي الأذونات والحدود التي تحدد ما يمكنه فعله؟ من هو التاجر أو المورد، وهل نحن متأكدون أننا نقصد الشخص الصحيح؟ من يتحمل المسؤولية إذا تصرف الوكيل بإذن، ولكن ضد نية المستخدم؟ الخطر العملي هو الارتباك. يمكن للبشر، على سبيل المثال، أن يستنتجوا أن كلمة \"دلتا\" تعني شركة الطيران عندما يقومون بحجز رحلة طيران، وليس شركة الصنبور. يحتاج الوكيل إلى إشارات حتمية. إذا أخطأ النظام في التخمين، فإنه إما يكسر الثقة أو يفرض خطوة تأكيد بشرية تحبط الوعد بالسرعة. لماذا تنقطع البيانات \"الجيدة بما فيه الكفاية\" بسرعة الجهاز؟ لقد تعلمت معظم المؤسسات كيفية التعايش مع البيانات غير الكاملة. سجلات العملاء المكررة مقبولة. سمات المنتج غير المكتملة مزعجة. ويمكن التوفيق بين هويات التجار في وقت لاحق. تغير سير العمل الوكيل هذا التسامح. عندما يتخذ الوكيل إجراءً دون أن يفحص الإنسان المخرجات، فإنه يحتاج إلى بيانات قريبة من الكمال، لأنه لا يستطيع أن يلاحظ بشكل موثوق عندما تكون البيانات غامضة أو خاطئة بالطريقة التي يمكن لأي شخص أن يلاحظها. يمكن التنبؤ بأوضاع الفشل، وهي تظهر في الأماكن الأكثر أهمية: حقيقة المنتج: إذا كان الكتالوج غير متسق، فإن اختيارات الوكيل ستبدو اعتباطية (\"القميص الخطأ\"، \"المقاس الخطأ\"، \"المادة الخاطئة\")، وتنهار الثقة بسرعة. حقيقة المستفيد: تتوسع التجارة الوكيلة إلى ما هو أبعد من البطاقات لتشمل التجارب المتصلة من حساب إلى حساب والتجارب المصرفية المفتوحة، مما يؤدي إلى توسيع عالم المستفيدين والحاجة إلى التعرف عليهم بدقة في الوقت الفعلي. حقيقة الهوية: يعمل الناس في سياقات متعددة (العمل مقابل الشخصية). تحول الأجهزة. النظام الذي لا يستطيع التمييز بين هذه السياقات إما أن يمنع النشاط المشروع أو يوافق على نشاط محفوف بالمخاطر، وكلاهما يضر بالتبني. وهذا هو السبب وراء انتقال بيانات المؤسسة الموحدة وحل الكيانات من كونها لطيفة إلى ضرورية إلى مطلوبة من الناحية التشغيلية. كلما زادت الاستقلالية التي تريدها، كلما زاد الاستثمار في أسس البيانات الحديثة التي تضمن أمانها. ذكاء السياق: الطبقة المفقودة عندما يتحدث القادة عن الذكاء الاصطناعي الوكيل، فإنهم غالبًا ما يركزون على قدرة النموذج: التخطيط، واستخدام الأدوات، والاستدلال. وهي ضرورية، ولكنها ليست كافية. تتطلب التجارة الوكيلة أيضًا طبقة توفر سياقًا موثوقًا في وقت التشغيل. فكر في الأمر باعتباره نظامًا للسياق في الوقت الفعلي يمكنه الإجابة بشكل فوري ومتسق: هل هذا هو الشخص المناسب؟ • هل هذا هو الوكيل المناسب، الذي يتصرف ضمن الأذونات الصحيحة؟ • هل هذا هو التاجر أو المستفيد المناسب؟ • ما هي القيود المطبقة الآن (الميزانية، والسياسة، والمخاطر، وقواعد الولاء، والموردين المفضلين)؟ هناك مبدأان للتصميم مهمان. أولاً، يجب أن تكون حقيقة الكيان حتمية بدرجة كافية للتشغيل الآلي. نماذج اللغة الكبيرة احتمالية بطبيعتها. وهذا مفيد لإنشاء خيارات للكتابة والرسم. من المخاطرة تحديد أين تذهب الأموال، خاصة في عمليات B2B وسير العمل المالي، حيث لا تكون عبارة \"صحيح على الأرجح\" مقبولة. ثانياً، يجب أن ينتقل السياق بسرعة التفاعل وأن يظل قابلاً للنقل عبر سلسلة قيمة الشبكة المتصلة بأكملها. تعتبر تجربة ماستركارد في تحسين تدفقات الدفع مفيدة: فكلما زاد عدد الخدمات التي تضيفها إلى المعاملة، زادت مخاطرة إبطائها. يعمل النمط الذي يقوم بقياس الإشارة على حل الإشارة مسبقًا وتنظيمها وتعبئتها بحيث يكون التنفيذ خفيف الوزن. وهذا أيضًا هو المكان الذي يتجه إليه الترميز. تشير مبادرات مثل Agent Pay وVerifiable Intent من Mastercard إلى مستقبل يتم فيه تشفير بيانات اعتماد المستهلك وهويات الوكيل والأذونات ونية المستخدم التي يمكن إثباتها كأدوات آمنة تشفيريًا - مما يتيح للتجار والجهات المصدرة والمنصات التحقق بشكل حاسم من التفويض والتنفيذ بسرعة الآلة. ما يجب على القادة فعله خلال الـ 12 إلى 24 شهرًا القادمة لن يكون التبني موحدًا. غالبًا ما يعتمد الجذب المبكر بشكل أقل على الصناعة وأكثر على مدى تطور أنظمة المؤسسة ونظام البيانات. وهذا يجعل العامين المقبلين نافذة للتحضير العملي. تبرز خمس خطوات. تعامل مع الوكلاء على أنهم هويات محكومة، وليس ميزات. حدد كيفية تأهيل الوكلاء ومصادقتهم والسماح لهم ومراقبتهم وتقاعدهم. إعطاء الأولوية لحل الكيان حيث تكون تكلفة الخطأ هي الأعلى. ابدأ بالمدفوع لهم، والموردين، والهوية الشخصية للموظفين، وفئات المنتجات كبيرة الحجم. أنشئ خدمة سياق قابلة لإعادة الاستخدام يمكن لكل سير عمل ووكيل الاتصال بها. لا تجبر كل نظام على إعادة بناء الهوية والعلاقات من الصفر. حساب الإشارات وضغطها مسبقًا. قم بحل وتنظيم السياق في المراحل الأولية بحيث يظل اتخاذ القرار في وقت التشغيل سريعًا ويمكن التنبؤ به. قم بتوسيع نطاق الحكم الذاتي فقط عند اكتساب الثقة. قم ببناء إطار حوكمة لمعالجة النزاعات، وإبقاء البشر على اطلاع على الإجراءات عالية المخاطر، وقياس الدقة، وتوسيع نطاق الأتمتة عندما تثبت النتائج موثوقيتها. تأثير تسونامي عبر الصناعات لن يقتصر Agentic AI على عربات التسوق. سوف يتطرق إلى المشتريات والسفر والمطالبات وخدمة العملاء والعمليات المالية. سيؤدي ذلك إلى ضغط دورات القرار وإزالة الخطوات اليدوية، ولكن فقط للمؤسسات التي يمكنها تزويد الوكلاء بهوية نظيفة وحقيقة دقيقة للكيان وسياق موثوق. سيتعامل الفائزون مع حقيقة الكيان وسياقه باعتبارهما بنية تحتية أساسية للأتمتة، وليس كمشروع تنظيف المكتب الخلفي. في التجارة بسرعة الآلة، الثقة ليست سمة من سمات العلامة التجارية؛ إنه قرار معماري مشفر في الهوية والسياق والتحكم. تم إنتاج هذا المحتوى بواسطة شركة ريلتيو. لم يتم كتابته في افتتاحية MIT Technology Review طاقم عمل.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2026\/01\/13\/ai-drug-discovery-startup-converge-bio-pulls-in-25m-from-bessemer-and-execs-from-meta-openai-and-wiz\/",
            "title_en": "Converge Bio raises $25M, backed by Bessemer and execs from Meta, OpenAI, Wiz",
            "summary_en": "AI drug discovery startup Converge Bio raised $25 million in a Series A led by Bessemer Venture Partners, with additional backing from executives at Meta, OpenAI, and Wiz.",
            "body_en": "AI drug discovery startup Converge Bio raised $25 million in a Series A led by Bessemer Venture Partners, with additional backing from executives at Meta, OpenAI, and Wiz.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2024\/12\/GettyImages-2149039471.jpg?resize=1200,835",
            "source_url": "https:\/\/techcrunch.com\/2026\/01\/13\/ai-drug-discovery-startup-converge-bio-pulls-in-25m-from-bessemer-and-execs-from-meta-openai-and-wiz\/",
            "date": "2026-01-13",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تجمع شركة Converge Bio مبلغ 25 مليون دولار أمريكي، بدعم من Bessemer ومسؤولين تنفيذيين من Meta وOpenAI وWiz",
            "summary_ar": "جمعت شركة Converge Bio الناشئة لاكتشاف الأدوية باستخدام الذكاء الاصطناعي 25 مليون دولار في السلسلة A بقيادة Bessemer Venture Partners، مع دعم إضافي من المديرين التنفيذيين في Meta وOpenAI وWiz.",
            "body_ar": "جمعت شركة Converge Bio الناشئة لاكتشاف الأدوية باستخدام الذكاء الاصطناعي 25 مليون دولار في السلسلة A بقيادة Bessemer Venture Partners، مع دعم إضافي من المديرين التنفيذيين في Meta وOpenAI وWiz.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/10\/31\/meta-bought-1-gw-of-solar-this-week\/",
            "title_en": "Meta bought 1 GW of solar this week",
            "summary_en": "The social media company inked three deals in the U.S. to power its data centers and offset its carbon footprint.",
            "body_en": "The social media company inked three deals in the U.S. to power its data centers and offset its carbon footprint.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2025\/05\/GettyImages-1475927398.jpeg?resize=1200,674",
            "source_url": "https:\/\/techcrunch.com\/2025\/10\/31\/meta-bought-1-gw-of-solar-this-week\/",
            "date": "2025-10-31",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "اشترت شركة Meta 1 جيجاوات من الطاقة الشمسية هذا الأسبوع",
            "summary_ar": "وقعت شركة التواصل الاجتماعي ثلاث صفقات في الولايات المتحدة لتشغيل مراكز البيانات الخاصة بها وتعويض بصمتها الكربونية.",
            "body_ar": "وقعت شركة التواصل الاجتماعي ثلاث صفقات في الولايات المتحدة لتشغيل مراكز البيانات الخاصة بها وتعويض بصمتها الكربونية.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/08\/26\/how-one-ai-startup-is-helping-rice-farmers-battle-climate-change\/",
            "title_en": "How one AI startup is helping rice farmers battle climate change",
            "summary_en": "Mitti Labs is working with The Nature Conservancy to expand the use of climate-friendly rice farming practices in India. The startup uses its AI to verify reductions in methane emissions.",
            "body_en": "Mitti Labs is working with The Nature Conservancy to expand the use of climate-friendly rice farming practices in India. The startup uses its AI to verify reductions in methane emissions.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2025\/08\/GettyImages-1650855311.jpeg?resize=1200,749",
            "source_url": "https:\/\/techcrunch.com\/2025\/08\/26\/how-one-ai-startup-is-helping-rice-farmers-battle-climate-change\/",
            "date": "2025-08-26",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "كيف تساعد إحدى الشركات الناشئة في مجال الذكاء الاصطناعي مزارعي الأرز على مكافحة تغير المناخ",
            "summary_ar": "تعمل Mitti Labs مع منظمة Nature Conservancy لتوسيع استخدام ممارسات زراعة الأرز الصديقة للمناخ في الهند. تستخدم الشركة الناشئة الذكاء الاصطناعي الخاص بها للتحقق من التخفيضات في انبعاثات غاز الميثان.",
            "body_ar": "تعمل Mitti Labs مع منظمة Nature Conservancy لتوسيع استخدام ممارسات زراعة الأرز الصديقة للمناخ في الهند. تستخدم الشركة الناشئة الذكاء الاصطناعي الخاص بها للتحقق من التخفيضات في انبعاثات غاز الميثان.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/08\/20\/harvard-dropouts-to-launch-always-on-ai-smart-glasses-that-listen-and-record-every-conversation\/",
            "title_en": "Harvard dropouts to launch ‘always on’ AI smart glasses that listen and record every conversation",
            "summary_en": "After developing a facial-recognition app for Meta’s Ray-Ban glasses and doxing random people, two former Harvard students are now launching a startup that makes smart glasses with an always-on microphone.",
            "body_en": "After developing a facial-recognition app for Meta’s Ray-Ban glasses and doxing random people, two former Harvard students are now launching a startup that makes smart glasses with an always-on microphone.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2025\/08\/halo-ai-smart-glasses-rendering.jpeg?resize=1200,1078",
            "source_url": "https:\/\/techcrunch.com\/2025\/08\/20\/harvard-dropouts-to-launch-always-on-ai-smart-glasses-that-listen-and-record-every-conversation\/",
            "date": "2025-08-20",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "المتسربون من جامعة هارفارد سيطلقون نظارات ذكية تعمل بالذكاء الاصطناعي تعمل دائمًا، والتي تستمع وتسجل كل محادثة",
            "summary_ar": "بعد تطوير تطبيق للتعرف على الوجه لنظارات Ray-Ban من شركة Meta وفحص الأشخاص بشكل عشوائي، يطلق اثنان من طلاب جامعة هارفارد السابقين الآن شركة ناشئة تصنع نظارات ذكية مزودة بميكروفون يعمل دائمًا.",
            "body_ar": "بعد تطوير تطبيق للتعرف على الوجه لنظارات Ray-Ban من شركة Meta وفحص الأشخاص بشكل عشوائي، يطلق اثنان من طلاب جامعة هارفارد السابقين الآن شركة ناشئة تصنع نظارات ذكية مزودة بميكروفون يعمل دائمًا.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/08\/20\/meta-to-add-100-mw-of-solar-power-from-u-s-gear\/",
            "title_en": "Meta to add 100MW of solar power from US gear",
            "summary_en": "The social media company is adding another tranche of solar to power a new AI data center in South Carolina.",
            "body_en": "The social media company is adding another tranche of solar to power a new AI data center in South Carolina.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2025\/05\/GettyImages-182939200.jpeg?resize=1200,800",
            "source_url": "https:\/\/techcrunch.com\/2025\/08\/20\/meta-to-add-100-mw-of-solar-power-from-u-s-gear\/",
            "date": "2025-08-20",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "ميتا تضيف 100 ميجاوات من الطاقة الشمسية من المعدات الأمريكية",
            "summary_ar": "تضيف شركة التواصل الاجتماعي شريحة أخرى من الطاقة الشمسية لتشغيل مركز بيانات جديد للذكاء الاصطناعي في ولاية كارولينا الجنوبية.",
            "body_ar": "تضيف شركة التواصل الاجتماعي شريحة أخرى من الطاقة الشمسية لتشغيل مركز بيانات جديد للذكاء الاصطناعي في ولاية كارولينا الجنوبية.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/08\/04\/perplexity-accused-of-scraping-websites-that-explicitly-blocked-ai-scraping\/",
            "title_en": "Perplexity accused of scraping websites that explicitly blocked AI scraping",
            "summary_en": "Internet giant Cloudflare says it detected Perplexity crawling and scraping websites, even after customers had added technical blocks telling Perplexity not to scrape their pages.",
            "body_en": "Internet giant Cloudflare says it detected Perplexity crawling and scraping websites, even after customers had added technical blocks telling Perplexity not to scrape their pages.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2024\/11\/GettyImages-2181996346.jpg?w=1024",
            "source_url": "https:\/\/techcrunch.com\/2025\/08\/04\/perplexity-accused-of-scraping-websites-that-explicitly-blocked-ai-scraping\/",
            "date": "2025-08-04",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "الحيرة متهمة بإلغاء مواقع الويب التي منعت بشكل صريح عملية تجريف الذكاء الاصطناعي",
            "summary_ar": "تقول شركة الإنترنت العملاقة Cloudflare إنها اكتشفت زحف Perplexity وحذف مواقع الويب، حتى بعد أن أضاف العملاء كتلًا فنية لإخبار Perplexity بعدم حذف صفحاتهم.",
            "body_ar": "تقول شركة الإنترنت العملاقة Cloudflare إنها اكتشفت زحف Perplexity وحذف مواقع الويب، حتى بعد أن أضاف العملاء كتلًا فنية لإخبار Perplexity بعدم حذف صفحاتهم.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/06\/04\/obvios-stop-sign-cameras-use-ai-to-root-out-unsafe-drivers\/",
            "title_en": "Obvio’s stop sign cameras use AI to root out unsafe drivers",
            "summary_en": "American streets are incredibly dangerous for pedestrians. A San Carlos, California-based startup called Obvio thinks it can change that by installing cameras at stop signs -- a solution the founders also say won’t create a panopticon.",
            "body_en": "American streets are incredibly dangerous for pedestrians. A San Carlos, California-based startup called Obvio thinks it can change that by installing cameras at stop signs -- a solution the founders also say won’t create a panopticon.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2025\/06\/obvio-founders.jpg?resize=1200,690",
            "source_url": "https:\/\/techcrunch.com\/2025\/06\/04\/obvios-stop-sign-cameras-use-ai-to-root-out-unsafe-drivers\/",
            "date": "2025-06-04",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تستخدم كاميرات إشارة التوقف الخاصة بـ Obvio الذكاء الاصطناعي لاجتثاث السائقين غير الآمنين",
            "summary_ar": "الشوارع الأمريكية خطيرة للغاية بالنسبة للمشاة. وتعتقد شركة ناشئة مقرها سان كارلوس بولاية كاليفورنيا تدعى أوبفيو أن بإمكانها تغيير ذلك عن طريق تركيب كاميرات عند إشارات التوقف - وهو الحل الذي يقول المؤسسون أيضًا إنه لن يؤدي إلى إنشاء بانوبتيكون.",
            "body_ar": "الشوارع الأمريكية خطيرة للغاية بالنسبة للمشاة. وتعتقد شركة ناشئة مقرها سان كارلوس بولاية كاليفورنيا تدعى أوبفيو أن بإمكانها تغيير ذلك عن طريق تركيب كاميرات عند إشارات التوقف - وهو الحل الذي يقول المؤسسون أيضًا إنه لن يؤدي إلى إنشاء بانوبتيكون.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/06\/02\/breakneck-data-center-growth-challenges-microsofts-sustainability-goals\/",
            "title_en": "Breakneck data center growth challenges Microsoft’s sustainability goals",
            "summary_en": "Microsoft's sustainability goals are imperiled by its push into AI and cloud services.",
            "body_en": "Microsoft's sustainability goals are imperiled by its push into AI and cloud services.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2025\/01\/GettyImages-2153485379.jpg?resize=1200,800",
            "source_url": "https:\/\/techcrunch.com\/2025\/06\/02\/breakneck-data-center-growth-challenges-microsofts-sustainability-goals\/",
            "date": "2025-06-02",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يتحدى النمو المذهل لمراكز البيانات أهداف الاستدامة لشركة Microsoft",
            "summary_ar": "تتعرض أهداف الاستدامة لشركة Microsoft للخطر بسبب توجهها نحو الذكاء الاصطناعي والخدمات السحابية.",
            "body_ar": "تتعرض أهداف الاستدامة لشركة Microsoft للخطر بسبب توجهها نحو الذكاء الاصطناعي والخدمات السحابية.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/05\/27\/gridcare-thinks-more-than-100-gw-of-data-center-capacity-is-hiding-in-the-grid\/",
            "title_en": "Gridcare thinks more than 100 GW of data center capacity is hiding in the grid",
            "summary_en": "Gridcare raised $13.3 million for its data platform that finds underutilized capacity on the electrical grid.",
            "body_en": "Gridcare raised $13.3 million for its data platform that finds underutilized capacity on the electrical grid.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2022\/08\/electrical-grid-at-night.jpg?resize=1200,800",
            "source_url": "https:\/\/techcrunch.com\/2025\/05\/27\/gridcare-thinks-more-than-100-gw-of-data-center-capacity-is-hiding-in-the-grid\/",
            "date": "2025-05-27",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تعتقد Gridcare أن أكثر من 100 جيجاوات من سعة مركز البيانات مختبئة في الشبكة",
            "summary_ar": "قامت Gridcare بجمع 13.3 مليون دولار أمريكي لمنصة البيانات الخاصة بها والتي وجدت قدرة غير مستغلة على الشبكة الكهربائية.",
            "body_ar": "قامت Gridcare بجمع 13.3 مليون دولار أمريكي لمنصة البيانات الخاصة بها والتي وجدت قدرة غير مستغلة على الشبكة الكهربائية.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/05\/22\/meta-adds-another-650-mw-of-solar-power-to-its-ai-push\/",
            "title_en": "Meta adds another 650 MW of solar power to its AI push",
            "summary_en": "The company already has more than 12 gigawatts of capacity in its renewable power portfolio.",
            "body_en": "The company already has more than 12 gigawatts of capacity in its renewable power portfolio.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2025\/05\/GettyImages-182939200.jpeg?resize=1200,800",
            "source_url": "https:\/\/techcrunch.com\/2025\/05\/22\/meta-adds-another-650-mw-of-solar-power-to-its-ai-push\/",
            "date": "2025-05-22",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تضيف شركة Meta 650 ميجاوات أخرى من الطاقة الشمسية إلى نظام الذكاء الاصطناعي الخاص بها",
            "summary_ar": "وتمتلك الشركة بالفعل أكثر من 12 جيجاوات من الطاقة في محفظتها للطاقة المتجددة.",
            "body_ar": "وتمتلك الشركة بالفعل أكثر من 12 جيجاوات من الطاقة في محفظتها للطاقة المتجددة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/04\/01\/who-are-climate-conscious-consumers-not-who-youd-expect-says-northwind-climate\/",
            "title_en": "Who are climate-conscious consumers? Not who you’d expect, says Northwind Climate",
            "summary_en": "Rather than divide people into demographic buckets, Northwind Climate analyzes survey responses for behavioral clues.",
            "body_en": "Rather than divide people into demographic buckets, Northwind Climate analyzes survey responses for behavioral clues.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2025\/04\/GettyImages-289804-001.jpeg?resize=1200,800",
            "source_url": "https:\/\/techcrunch.com\/2025\/04\/01\/who-are-climate-conscious-consumers-not-who-youd-expect-says-northwind-climate\/",
            "date": "2025-04-01",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "من هم المستهلكين المهتمين بالمناخ؟ يقول مناخ نورثويند إنه ليس ما تتوقعه",
            "summary_ar": "وبدلاً من تقسيم الناس إلى مجموعات ديموغرافية، تقوم شركة Northwind Climate بتحليل استجابات الاستطلاع بحثًا عن أدلة سلوكية.",
            "body_ar": "وبدلاً من تقسيم الناس إلى مجموعات ديموغرافية، تقوم شركة Northwind Climate بتحليل استجابات الاستطلاع بحثًا عن أدلة سلوكية.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/03\/30\/data-centers-love-solar-heres-a-comprehensive-guide-to-deals-over-100-megawatts\/",
            "title_en": "Data centers love solar: Here’s a comprehensive guide to deals over 100 megawatts",
            "summary_en": "New and expanded data centers are expected to double the sector’s power demand by 2029 as tech companies rush to capitalize on AI.",
            "body_en": "New and expanded data centers are expected to double the sector’s power demand by 2029 as tech companies rush to capitalize on AI.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2025\/02\/GettyImages-1207758836.jpeg?resize=1200,800",
            "source_url": "https:\/\/techcrunch.com\/2025\/03\/30\/data-centers-love-solar-heres-a-comprehensive-guide-to-deals-over-100-megawatts\/",
            "date": "2025-03-30",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "مراكز البيانات تحب الطاقة الشمسية: فيما يلي دليل شامل للصفقات التي تزيد عن 100 ميجاوات",
            "summary_ar": "ومن المتوقع أن تؤدي مراكز البيانات الجديدة والموسعة إلى مضاعفة الطلب على الطاقة في القطاع بحلول عام 2029 مع اندفاع شركات التكنولوجيا للاستفادة من الذكاء الاصطناعي.",
            "body_ar": "ومن المتوقع أن تؤدي مراكز البيانات الجديدة والموسعة إلى مضاعفة الطلب على الطاقة في القطاع بحلول عام 2029 مع اندفاع شركات التكنولوجيا للاستفادة من الذكاء الاصطناعي.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/03\/20\/nvidia-thinks-ai-can-solve-electrical-grid-problems-caused-by-ai\/",
            "title_en": "Nvidia thinks AI can solve electrical grid problems caused by AI",
            "summary_en": "The Open Power AI Consortium says it will use domain-specific AI models to tackle problems in the power industry.",
            "body_en": "The Open Power AI Consortium says it will use domain-specific AI models to tackle problems in the power industry.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2022\/08\/electrical-grid-at-night.jpg?resize=1200,800",
            "source_url": "https:\/\/techcrunch.com\/2025\/03\/20\/nvidia-thinks-ai-can-solve-electrical-grid-problems-caused-by-ai\/",
            "date": "2025-03-20",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تعتقد Nvidia أن الذكاء الاصطناعي يمكنه حل مشاكل الشبكة الكهربائية التي يسببها الذكاء الاصطناعي",
            "summary_ar": "يقول اتحاد Open Power AI Consortium إنه سيستخدم نماذج الذكاء الاصطناعي الخاصة بالمجال لمعالجة المشكلات في صناعة الطاقة.",
            "body_ar": "يقول اتحاد Open Power AI Consortium إنه سيستخدم نماذج الذكاء الاصطناعي الخاصة بالمجال لمعالجة المشكلات في صناعة الطاقة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/03\/20\/solar-notches-another-win-as-microsoft-adds-475-mw-to-power-its-ai-data-centers\/",
            "title_en": "Solar notches another win as Microsoft adds 475 MW to power its AI data centers",
            "summary_en": "The company recently signed a deal with energy provider AES for three solar projects across the Midwest.",
            "body_en": "The company recently signed a deal with energy provider AES for three solar projects across the Midwest.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2025\/02\/GettyImages-1207758836.jpeg?resize=1200,800",
            "source_url": "https:\/\/techcrunch.com\/2025\/03\/20\/solar-notches-another-win-as-microsoft-adds-475-mw-to-power-its-ai-data-centers\/",
            "date": "2025-03-20",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "حققت الطاقة الشمسية فوزًا آخر حيث أضافت Microsoft 475 ميجاوات لتشغيل مراكز بيانات الذكاء الاصطناعي الخاصة بها",
            "summary_ar": "وقعت الشركة مؤخرًا صفقة مع مزود الطاقة AES لثلاثة مشاريع للطاقة الشمسية في جميع أنحاء الغرب الأوسط.",
            "body_ar": "وقعت الشركة مؤخرًا صفقة مع مزود الطاقة AES لثلاثة مشاريع للطاقة الشمسية في جميع أنحاء الغرب الأوسط.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/03\/11\/geothermal-could-power-nearly-all-new-data-centers-through-2030\/",
            "title_en": "Geothermal could power nearly all new data centers through 2030",
            "summary_en": "Geothermal resources have enormous potential to provide the sort of consistent power that data centers crave.",
            "body_en": "Geothermal resources have enormous potential to provide the sort of consistent power that data centers crave.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2024\/05\/GettyImages-1452392871.jpeg?resize=1200,800",
            "source_url": "https:\/\/techcrunch.com\/2025\/03\/11\/geothermal-could-power-nearly-all-new-data-centers-through-2030\/",
            "date": "2025-03-11",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يمكن للطاقة الحرارية الأرضية تشغيل جميع مراكز البيانات الجديدة تقريبًا حتى عام 2030",
            "summary_ar": "تتمتع موارد الطاقة الحرارية الأرضية بإمكانيات هائلة لتوفير نوع الطاقة المتسقة التي تتوق إليها مراكز البيانات.",
            "body_ar": "تتمتع موارد الطاقة الحرارية الأرضية بإمكانيات هائلة لتوفير نوع الطاقة المتسقة التي تتوق إليها مراكز البيانات.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/02\/25\/elevenlabs-is-now-letting-authors-create-and-publish-audiobooks-on-its-own-platform\/",
            "title_en": "ElevenLabs now lets authors create and publish audiobooks on its own platform",
            "summary_en": "Voice AI company ElevenLabs is now letting authors publish AI-generated audiobooks on its own Reader app, TechCrunch has learned and the company confirmed. The announcement comes days after the company partnered with Spotify for AI-narrated audiobooks. ElevenLabs, which raised a $180 million mega-round last month, started inviting authors to try out their publishing program through […]",
            "body_en": "Voice AI company ElevenLabs is now letting authors publish AI-generated audiobooks on its own Reader app, TechCrunch has learned and the company confirmed. The announcement comes days after the company partnered with Spotify for AI-narrated audiobooks. ElevenLabs, which raised a $180 million mega-round last month, started inviting authors to try out their publishing program through […]",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2025\/02\/ElevenLabs.jpg?resize=1200,675",
            "source_url": "https:\/\/techcrunch.com\/2025\/02\/25\/elevenlabs-is-now-letting-authors-create-and-publish-audiobooks-on-its-own-platform\/",
            "date": "2025-02-26",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تتيح ElevenLabs الآن للمؤلفين إنشاء الكتب الصوتية ونشرها على منصتها الخاصة",
            "summary_ar": "تسمح شركة ElevenLabs للذكاء الاصطناعي الصوتي الآن للمؤلفين بنشر الكتب الصوتية التي تم إنشاؤها بواسطة الذكاء الاصطناعي على تطبيق Reader الخاص بها، حسبما علمت TechCrunch وأكدت الشركة. ويأتي هذا الإعلان بعد أيام من شراكة الشركة مع Spotify للكتب الصوتية المدعمة بالذكاء الاصطناعي. بدأت شركة ElevenLabs، التي جمعت مبلغًا ضخمًا قدره 180 مليون دولار الشهر الماضي، في دعوة المؤلفين لتجربة برنامج النشر الخاص بها من خلال […]",
            "body_ar": "تسمح شركة ElevenLabs للذكاء الاصطناعي الصوتي الآن للمؤلفين بنشر الكتب الصوتية التي تم إنشاؤها بواسطة الذكاء الاصطناعي على تطبيق Reader الخاص بها، حسبما علمت TechCrunch وأكدت الشركة. ويأتي هذا الإعلان بعد أيام من شراكة الشركة مع Spotify للكتب الصوتية المدعمة بالذكاء الاصطناعي. بدأت شركة ElevenLabs، التي جمعت مبلغًا ضخمًا قدره 180 مليون دولار الشهر الماضي، في دعوة المؤلفين لتجربة برنامج النشر الخاص بها من خلال […]",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/02\/13\/data-center-tweaks-could-unlock-76-gw-of-new-power-capacity-in-the-u-s\/",
            "title_en": "Data center tweaks could unlock 76 GW of new power capacity in the US",
            "summary_en": "A new study argues that data centers could be ideal demand-response participants because they have the potential to be flexible.",
            "body_en": "A new study argues that data centers could be ideal demand-response participants because they have the potential to be flexible.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2024\/10\/critical-infrastructure.jpeg?resize=1200,675",
            "source_url": "https:\/\/techcrunch.com\/2025\/02\/13\/data-center-tweaks-could-unlock-76-gw-of-new-power-capacity-in-the-u-s\/",
            "date": "2025-02-13",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يمكن لتعديلات مركز البيانات أن تفتح 76 جيجاوات من سعة الطاقة الجديدة في الولايات المتحدة",
            "summary_ar": "تشير دراسة جديدة إلى أن مراكز البيانات يمكن أن تكون مشاركين مثاليين في الاستجابة للطلب لأنها تمتلك القدرة على أن تكون مرنة.",
            "body_ar": "تشير دراسة جديدة إلى أن مراكز البيانات يمكن أن تكون مشاركين مثاليين في الاستجابة للطلب لأنها تمتلك القدرة على أن تكون مرنة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/02\/11\/youtube-ai-updates-to-include-expansion-of-auto-dubbing-age-identifying-tech-and-more\/",
            "title_en": "YouTube AI updates include auto dubbing expansion, age ID tech, and more",
            "summary_en": "In his annual letter, YouTube CEO Neal Mohan dubbed AI one of the company’s four “big bets” for 2025. The executive pointed to the company’s investments in AI tools for creators, including ones for video ideas, thumbnails, and language translation. The latter feature will roll out to all creators in YouTube’s Partner Program this month, […]",
            "body_en": "In his annual letter, YouTube CEO Neal Mohan dubbed AI one of the company’s four “big bets” for 2025. The executive pointed to the company’s investments in AI tools for creators, including ones for video ideas, thumbnails, and language translation. The latter feature will roll out to all creators in YouTube’s Partner Program this month, […]",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2020\/06\/GettyImages-1149449084.jpg?resize=1200,800",
            "source_url": "https:\/\/techcrunch.com\/2025\/02\/11\/youtube-ai-updates-to-include-expansion-of-auto-dubbing-age-identifying-tech-and-more\/",
            "date": "2025-02-11",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تتضمن تحديثات YouTube AI توسيع الدبلجة التلقائية وتقنية معرف العمر والمزيد",
            "summary_ar": "في رسالته السنوية، وصف الرئيس التنفيذي لشركة YouTube، نيل موهان، الذكاء الاصطناعي بأنه أحد \"الرهانات الأربعة الكبرى\" للشركة لعام 2025. وأشار المدير التنفيذي إلى استثمارات الشركة في أدوات الذكاء الاصطناعي للمبدعين، بما في ذلك أدوات أفكار الفيديو والصور المصغرة وترجمة اللغة. سيتم طرح الميزة الأخيرة لجميع منشئي المحتوى في برنامج شركاء YouTube هذا الشهر، […]",
            "body_ar": "في رسالته السنوية، وصف الرئيس التنفيذي لشركة YouTube، نيل موهان، الذكاء الاصطناعي بأنه أحد \"الرهانات الأربعة الكبرى\" للشركة لعام 2025. وأشار المدير التنفيذي إلى استثمارات الشركة في أدوات الذكاء الاصطناعي للمبدعين، بما في ذلك أدوات أفكار الفيديو والصور المصغرة وترجمة اللغة. سيتم طرح الميزة الأخيرة لجميع منشئي المحتوى في برنامج شركاء YouTube هذا الشهر، […]",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/02\/07\/self-inspection-raises-3m-for-its-ai-powered-vehicle-inspections\/",
            "title_en": "Self Inspection raises $3M for its AI-powered vehicle inspections",
            "summary_en": "A number of startups are racing to make vehicle inspections faster, easier, and cheaper. Self Inspection, a startup based in San Diego, thinks it has them all beat with its AI-powered service — and now it has convinced outside investors. Self Inspection, founded in 2021, is set to announce Thursday it’s raised $3 million in […]",
            "body_en": "A number of startups are racing to make vehicle inspections faster, easier, and cheaper. Self Inspection, a startup based in San Diego, thinks it has them all beat with its AI-powered service — and now it has convinced outside investors. Self Inspection, founded in 2021, is set to announce Thursday it’s raised $3 million in […]",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2025\/02\/self-inspection.jpg?resize=1200,795",
            "source_url": "https:\/\/techcrunch.com\/2025\/02\/07\/self-inspection-raises-3m-for-its-ai-powered-vehicle-inspections\/",
            "date": "2025-02-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تجمع شركة Self Inspection مبلغ 3 ملايين دولار أمريكي لعمليات فحص المركبات التي تعمل بالذكاء الاصطناعي",
            "summary_ar": "يتسابق عدد من الشركات الناشئة لجعل عمليات فحص المركبات أسرع وأسهل وأرخص. تعتقد شركة Self Inspection، وهي شركة ناشئة مقرها في سان دييغو، أنها تفوقت على الجميع من خلال خدمتها التي تعمل بالذكاء الاصطناعي - والآن أقنعت المستثمرين الخارجيين. من المقرر أن تعلن شركة Self Inspection، التي تأسست عام 2021، يوم الخميس أنها جمعت 3 ملايين دولار في […]",
            "body_ar": "يتسابق عدد من الشركات الناشئة لجعل عمليات فحص المركبات أسرع وأسهل وأرخص. تعتقد شركة Self Inspection، وهي شركة ناشئة مقرها في سان دييغو، أنها تفوقت على الجميع من خلال خدمتها التي تعمل بالذكاء الاصطناعي - والآن أقنعت المستثمرين الخارجيين. من المقرر أن تعلن شركة Self Inspection، التي تأسست عام 2021، يوم الخميس أنها جمعت 3 ملايين دولار في […]",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/techcrunch.com\/2025\/01\/31\/meta-turns-to-solar-again-in-its-data-center-building-boom\/",
            "title_en": "Meta turns to solar — again — in its data center-building boom",
            "summary_en": "The announcement comes as Meta CEO Mark Zuckerberg maintains the company’s ambitious AI strategy, which will require hefty capital investments in data centers.",
            "body_en": "The announcement comes as Meta CEO Mark Zuckerberg maintains the company’s ambitious AI strategy, which will require hefty capital investments in data centers.",
            "image": "https:\/\/techcrunch.com\/wp-content\/uploads\/2024\/05\/GettyImages-1373266060.jpg?resize=1200,800",
            "source_url": "https:\/\/techcrunch.com\/2025\/01\/31\/meta-turns-to-solar-again-in-its-data-center-building-boom\/",
            "date": "2025-01-31",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تتحول شركة ميتا إلى الطاقة الشمسية - مرة أخرى - في طفرة بناء مراكز البيانات الخاصة بها",
            "summary_ar": "ويأتي هذا الإعلان في الوقت الذي يحافظ فيه مارك زوكربيرج، الرئيس التنفيذي لشركة Meta، على استراتيجية الذكاء الاصطناعي الطموحة للشركة، والتي ستتطلب استثمارات رأسمالية ضخمة في مراكز البيانات.",
            "body_ar": "ويأتي هذا الإعلان في الوقت الذي يحافظ فيه مارك زوكربيرج، الرئيس التنفيذي لشركة Meta، على استراتيجية الذكاء الاصطناعي الطموحة للشركة، والتي ستتطلب استثمارات رأسمالية ضخمة في مراكز البيانات.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/llm-referred-traffic-converts-at-30-40-and-most-enterprises-arent-optimizing",
            "title_en": "LLM-referred traffic converts at 30-40% — and most enterprises aren't optimizing for it",
            "summary_en": "For more than two decades, digital discovery has operated on a simple model: search, scan, click, decide. That worked when humans were the ones doing the web searching; but with the advent of AI agents, the primary consumer of information is no longer always human. This is giving rise to a new paradigm: Answer engine optimization (AEO), also referred to as generative engine optimization (GEO). Because agents look at data much differently than humans do, success is no longer defined by rankings and clicks, but whether content is understood, selected, and cited by AI systems. The SEO model that the web was built on simply isn’t going to cut it anymore, and enterprises need to prepare now. How LLMs interpret web content Traditional SEO is built around keywords, rankings, page-level optimizati",
            "body_en": "For more than two decades, digital discovery has operated on a simple model: search, scan, click, decide. That worked when humans were the ones doing the web searching; but with the advent of AI agents, the primary consumer of information is no longer always human. This is giving rise to a new paradigm: Answer engine optimization (AEO), also referred to as generative engine optimization (GEO). Because agents look at data much differently than humans do, success is no longer defined by rankings and clicks, but whether content is understood, selected, and cited by AI systems. The SEO model that the web was built on simply isn’t going to cut it anymore, and enterprises need to prepare now. How LLMs interpret web content Traditional SEO is built around keywords, rankings, page-level optimization, and click-through rates. Users manually search across multiple sources and click around to get what they need. Simple, but sometimes frustrating and a definite time suck. But AEO operates on a whole different level. Agents are increasingly taking over users’ workflows: Claude Code, OpenClaw, CrewAI, Microsoft Copilot, AutoGen, LangChain, Agent Bricks, Agentforce, Google Vertex, Perplexity’s web interface, and whatever else comes along. These agents do not “browse” the web the way humans do. They analyze user intent based not just on phrasing, but persistent memory and context from past sessions (rather than simple autocomplete). They require materials that are concise, structured, and to the point. What’s more, agents are moving beyond browsing to delegation, handling more downstream work. What started as “search, read, decide,” evolves to “agent retrieves, agent summarizes, human decides” (and, beyond that, “agent acts → human validates”). “In practice, AEO begins where SEO stops,” said Dustin Engel, founder of consultancy company Elegant Disruption . “AEO is the next layer of discovery,” or “zero-click discovery.” In this new world where agents synthesize answers, users may never even see an enterprise’s website, click-through rates decline, and attribution and citability (rather than pure visibility, or showing up at the top of a list of blue links) become critical. “The new default is closer to a citation map: Where the model is pulling from, how often you show up, and how you are described,” Engel said. Some, like Adam Yang of Q&A platform Quora , argue that AEO is already becoming the default over SEO. This is for “a certain class of queries,” Yang notes. Any question where the user wants a synthesized answer — \"what's the best approach to X,\" \"compare these two options,\" \"what do I need to know about Y\" — is increasingly resolved by an AI without a click. Google's own AI Overviews are already accelerating this on the consumer side, many analysts note. “SEO isn't dead,” Yang said. “But the optimization target has shifted from ‘rank on page 1’ to ‘get cited in the answer.’” How devs are already using AI agents Are there scenarios where regular search\/Googling is still the best option? “Absolutely,” said analyst Wyatt Mayham of Northwest AI Consulting . Notably, for personal tasks like finding nearby restaurants or local service providers. The interface is “just better” in those cases because it integrates maps, reviews, and photos. “That experience is hard to beat right now,” he said. For work-related research, though, he says he’s “barely” using traditional search anymore, and it’s getting “closer to zero” every month. “When I need to understand a company or a person professionally, agents do it faster and give me a more useful output than a page of blue links ever did,” he said. His firm uses autonomous agents “heavily,” and built a Claude Skills function that powers its sales operation. Before a discovery call with a prospect, team members can trigger a skill that pulls the contact’s LinkedIn profile, scrapes their company website, grabs relevant info from sources like ZoomInfo, and crafts a clear picture of their revenue, team size, tech stack, and pain points. “By the time I get on a call, I have a tailored research brief ready to go without spending 30 to 45 minutes manually Googling around,” Mayham said. The big advantage is that these tools run in the background, he noted. You don’t have to sit clicking through browser tabs: You just tell the agent what you need, it does it, and you get a structured output that’s actually useful. “It's collapsed what used to be a full hour of sales prep into a few minutes,” Mayham said. Carlos Dutra, data science manager at fintech company Trustly , said Claude Code has “genuinely changed” his daily workflow. He uses it for most of his coding work, and what surprised him wasn't the speed, but the fact that he didn’t need to open and keep track of browser tabs. “Not because I'm lazy, but because the answers are better,” he said. He still uses Google for some tasks: Pricing pages, recent news, anything that needs to be current. “But for technical reasoning? Agents have mostly replaced search for me personally,” he said. Quora’s Yang has had a similar experience. He’s been using Claude Code daily for the past few months, primarily for content strategy, knowledge management, and competitive research. Workflows that used to take him half a day now take 30 minutes. But what’s been most advantageous is that he can now run research and synthesis tasks in parallel that he previously had to do sequentially. Also helpful is that agents’ context retention across sessions is “meaningfully better” than web-based tools. When he needs to understand a concept, map a competitive landscape, or synthesize industry trends, Claude or Perplexity are the go-to before opening a browser tab. “I've started treating agent search as my first stop, not Google. Traditional search is now where I verify, not where I discover.” The kinks are real, though. Mayham pointed out that LinkedIn, in particular, is “aggressive” about blocking automated access, and many other sites have (or are implementing) similar protections. Users will hit walls when agents can't get through, so a fallback plan is important for those relying on agents. “The reliability isn't 100% yet, and that's probably the biggest thing holding broader adoption back,” he said. Mayham’s advice for other devs: Stop chasing shiny objects. A new AI tool launches “practically every day,” and many (experienced devs included) are jumping from platform to platform without ever going deep with any of them. “Pick a model, go deep, build real workflows on it,” he emphasized. “You'll get more value from mastery of one platform than surface-level experimentation across five.” How enterprises can compete in an AEO-driven world When AI agents do the searching, the rules change. The question is no longer whether your content ranks on the first page, it's whether the model selects you as the source when generating an answer. Structure matters much more than it used to. Content should: Be organized around conversational intent, provide direct answers, and mirror real user questions and follow-ups; Be authoritative and reflect strong expertise; Be fresh (and, when necessary, regularly refreshed); Have clear headers and established FAQ schema. Another must is maintaining a strong brand presence across the forums and platforms — Wikipedia, Reddit, LinkedIn, industry publications — that models are trained on. Enterprises might also consider investing in original data, like research. In Mayham’s experience, when a business gets recommended by an LLM during a search-style query, the conversion rate is “dramatically higher” than traditional channels. For his company, LLM-referred traffic is converting at 30 to 40%, which “blows away what we see from SEO or paid social.” “The intent signal is just different when someone is having a conversation with an AI and it recommends you by name.” Discoverability inside LLMs will matter as much as Google rankings, “maybe more,” Mayham said. “It's a whole new surface for customer acquisition that most businesses aren't even thinking about yet.” Trustly’s Dutra agreed that the “uncomfortable truth” is that most enterprise content is becoming “basically invisible” in agent-driven queries. “AEO is about whether your content survives being chunked, embedded, and semantically retrieved,” he said. The companies getting ahead aren’t doing anything “exotic,” he noted. They have clean, declarative content that doesn’t require context to understand. Those still writing copy stuffed with keywords are going to fall behind because LLMs care about semantic clarity. A quick test he gives clients: Ask an LLM a question your page is supposed to answer, without giving it the URL. “If it can't construct the answer from your content, you have a problem.” Jeff Oxford of SEO agency Visibility Labs offers valuable step-by-step advice: Engage in conversations on Reddit, which is one of the most-cited domains in AI search. Enterprises should establish a positive reputation on Reddit, and engage on any relevant threads where customers are asking for recommendations. Build a strong YouTube presence. According to Ahrefs, which tracks internet behavior, YouTube mentions have the “strongest correlation” with AI visibility across ChatGPT, AI Mode, and AI Overviews. “This makes sense, since both Google and OpenAI have trained their models on YouTube transcripts,” Oxford said, “and YouTube is the most-cited domain in Google's AI products.” Invest in digital PR and brand mentions; the latter is the second-highest correlated factor with AI visibility. “Brands need to improve their digital presence by being in as many places as possible,” Oxford said. Create content aligned with AI citation patterns. Enterprises should audit the prompts and topics where AI search engines are surfacing competitors, then create authoritative content on those same topics. “The goal is to become a source that AI models consider worth citing,” he noted. Still, there may be a lot of unnecessary hype around how drastically enterprises need to change, said Shashi Bellamkonda, principal research director at consultancy firm Info-Tech Research Group . Those following best practices of producing content that their audience actually needs, written by experts and showcasing expert opinion, are in a good position to be cited in AI-powered search. He pointed out that Google developed an EEAT framework (experience, expertise, authority, and trust) to evaluate content quality and helpfulness and help algorithms identify reliable, high-quality information. To stand out, enterprises should use structured data and schema to signal the context: Is this an article, a research study, a product overview? “Original long-form content will be valued by AI-powered answer engines,” Bellamkonda said. “Copycat strategies or trying to game the system are taboo in this era.” Experts should also share their thoughts across several channels, and \"About Us\" pages must be “robust” and include bios highlighting thought leaders’ expertise. “Ultimately, the reputation of AI-powered search is in making sure the user likes the search rather than what you think they should read,” Bellamkonda said. “So a good focus on the end user is a great way to succeed.”",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6mKfa09Ht7wzFiRIWUIcqc\/0090650d90a363f1c858f4a671abbf76\/AI_search.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/llm-referred-traffic-converts-at-30-40-and-most-enterprises-arent-optimizing",
            "date": "2026-04-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "يتم تحويل حركة المرور المحالة إلى LLM بنسبة 30-40% — ولا تعمل معظم المؤسسات على تحسينها",
            "summary_ar": "لأكثر من عقدين من الزمن، كان الاكتشاف الرقمي يعمل وفق نموذج بسيط: البحث، والمسح، والنقر، ثم اتخاذ القرار. وقد نجح ذلك عندما كان البشر هم من يقومون بالبحث على شبكة الإنترنت؛ ولكن مع ظهور عملاء الذكاء الاصطناعي، لم يعد المستهلك الأساسي للمعلومات هو الإنسان دائمًا. يؤدي هذا إلى ظهور نموذج جديد: تحسين محرك الإجابة (AEO)، والذي يشار إليه أيضًا باسم تحسين المحرك التوليدي (GEO). ونظرًا لأن الوكلاء ينظرون إلى البيانات بشكل مختلف كثيرًا عما ينظر إليه البشر، لم يعد يتم تحديد النجاح من خلال التصنيفات والنقرات، ولكن ما إذا كان المحتوى يتم فهمه واختياره والاستشهاد به بواسطة أنظمة الذكاء الاصطناعي. إن نموذج تحسين محركات البحث (SEO) الذي تم بناء الويب عليه لن يفي بالغرض بعد الآن، ويجب على المؤسسات الاستعداد الآن. كيف تفسر LLM محتوى الويب يتم إنشاء تحسين محركات البحث التقليدي حول الكلمات الرئيسية والتصنيفات ومستوى الصفحة محسن",
            "body_ar": "لأكثر من عقدين من الزمن، كان الاكتشاف الرقمي يعمل وفق نموذج بسيط: البحث، والمسح، والنقر، ثم اتخاذ القرار. وقد نجح ذلك عندما كان البشر هم من يقومون بالبحث على شبكة الإنترنت؛ ولكن مع ظهور عملاء الذكاء الاصطناعي، لم يعد المستهلك الأساسي للمعلومات هو الإنسان دائمًا. يؤدي هذا إلى ظهور نموذج جديد: تحسين محرك الإجابة (AEO)، والذي يشار إليه أيضًا باسم تحسين المحرك التوليدي (GEO). ونظرًا لأن الوكلاء ينظرون إلى البيانات بشكل مختلف كثيرًا عما ينظر إليه البشر، لم يعد يتم تحديد النجاح من خلال التصنيفات والنقرات، ولكن ما إذا كان المحتوى يتم فهمه واختياره والاستشهاد به بواسطة أنظمة الذكاء الاصطناعي. إن نموذج تحسين محركات البحث (SEO) الذي تم بناء الويب عليه لن يفي بالغرض بعد الآن، ويجب على المؤسسات الاستعداد الآن. كيف يفسر LLM محتوى الويب يتم إنشاء تحسين محركات البحث التقليدي حول الكلمات الرئيسية والتصنيفات والتحسين على مستوى الصفحة ونسب النقر إلى الظهور. يبحث المستخدمون يدويًا عبر مصادر متعددة وينقرون عليها للحصول على ما يحتاجون إليه. بسيطة ولكنها محبطة في بعض الأحيان وتستغرق وقتًا محددًا. لكن AEO يعمل على مستوى مختلف تمامًا. يتولى الوكلاء بشكل متزايد مهام سير عمل المستخدمين: Claude Code، وOpenClaw، وCrewAI، وMicrosoft Copilot، وAutoGen، وLangChain، وAgent Bricks، وAgentforce، وGoogle Vertex، وواجهة الويب الخاصة بـ Perplexity، وأي شيء آخر يأتي. هؤلاء العملاء لا \"يتصفحون\" الويب بالطريقة التي يفعلها البشر. يقومون بتحليل نية المستخدم ليس فقط على الصياغة، ولكن على الذاكرة المستمرة والسياق من الجلسات السابقة (بدلاً من الإكمال التلقائي البسيط). إنها تتطلب مواد موجزة ومنظمة ومباشرة. والأكثر من ذلك، أن الوكلاء ينتقلون من مجرد التصفح إلى التفويض، والتعامل مع المزيد من العمل النهائي. ما بدأ كـ \"ابحث، اقرأ، قرر\" يتطور إلى \"الوكيل يسترد، الوكيل يلخص، الإنسان يقرر\" (وبعد ذلك، \"تصرفات الوكيل ← التحقق البشري\"). قال داستن إنجل، مؤسس الشركة الاستشارية Elegant Disruption: \"من الناحية العملية، يبدأ AEO حيث يتوقف تحسين محركات البحث\". \"AEO هي الطبقة التالية من الاكتشاف\" أو \"الاكتشاف بنقرة صفر\". في هذا العالم الجديد حيث يقوم الوكلاء بتجميع الإجابات، قد لا يتمكن المستخدمون أبدًا من رؤية موقع الويب الخاص بالمؤسسة، وتنخفض معدلات النقر إلى الظهور، ويصبح الإسناد وإمكانية الاستشهاد (بدلاً من الرؤية البحتة، أو الظهور في أعلى قائمة الروابط الزرقاء) أمرًا بالغ الأهمية. قال إنجل: \"الوضع الافتراضي الجديد أقرب إلى خريطة الاقتباس: من أين يتم سحب النموذج، وعدد المرات التي تظهر فيها، وكيف يتم وصفك\". يجادل البعض، مثل آدم يانغ من منصة الأسئلة والأجوبة Quora، بأن AEO أصبح بالفعل هو الخيار الافتراضي على تحسين محركات البحث. يشير يانغ إلى أن هذا مخصص لـ \"فئة معينة من الاستعلامات\". يتم حل أي سؤال حيث يريد المستخدم إجابة مركبة - \"ما هو أفضل نهج لـ X\"، و\"مقارنة هذين الخيارين\"، و\"ما الذي أريد معرفته عن Y\" - بشكل متزايد عن طريق الذكاء الاصطناعي دون نقرة. ويشير العديد من المحللين إلى أن نظرة عامة على الذكاء الاصطناعي الخاصة بشركة جوجل تعمل بالفعل على تسريع هذا الأمر على جانب المستهلك. وقال يانغ: \"إن تحسين محركات البحث لم يمت\". \"لكن هدف التحسين تحول من \"التصنيف في الصفحة 1\" إلى \"الحصول على الاستشهاد في الإجابة\".\" كيف يستخدم المطورون بالفعل وكلاء الذكاء الاصطناعي هل هناك سيناريوهات حيث لا يزال البحث العادي\/Google هو الخيار الأفضل؟ وقال المحلل وايت مايهام من شركة Northwest AI Consulting: \"بالتأكيد\". على وجه الخصوص، للمهام الشخصية مثل العثور على المطاعم القريبة أو مقدمي الخدمات المحليين. تعد الواجهة \"أفضل\" في تلك الحالات لأنها تدمج الخرائط والمراجعات والصور. وأضاف: \"من الصعب التغلب على هذه التجربة في الوقت الحالي\". أما بالنسبة للأبحاث المتعلقة بالعمل، فهو يقول إنه \"بالكاد\" يستخدم البحث التقليدي بعد الآن، ويقترب من \"الصفر\" كل شهر. وقال: \"عندما أحتاج إلى فهم شركة أو شخص بشكل احترافي، فإن الوكلاء يقومون بذلك بشكل أسرع ويعطونني نتائج أكثر فائدة من أي صفحة من الروابط الزرقاء على الإطلاق\". وتستخدم شركته وكلاء مستقلين \"بكثافة\"، وقامت ببناء وظيفة Claude Skills التي تدعم عمليات المبيعات الخاصة بها. قبل إجراء مكالمة اكتشاف مع عميل محتمل، يمكن لأعضاء الفريق تشغيل مهارة تسحب الملف الشخصي لجهة الاتصال على LinkedIn، وتستخرج موقع الويب الخاص بشركتهم، وتلتقط المعلومات ذات الصلة من مصادر مثل ZoomInfo، وترسم صورة واضحة عن إيراداتهم، وحجم الفريق، ومجموعة التكنولوجيا، ونقاط الضعف. قال مايهام: \"بحلول الوقت الذي أتلقى فيه مكالمة، يكون لدي ملخص بحثي مخصص جاهز للاستخدام دون قضاء 30 إلى 45 دقيقة يدويًا في البحث عبر Google\". وأشار إلى أن الميزة الكبرى هي أن هذه الأدوات تعمل في الخلفية لا يتعين عليك الجلوس فوق علامات تبويب المتصفح: ما عليك سوى إخبار الوكيل بما تحتاجه، وهو يفعل ذلك، وتحصل على مخرجات منظمة مفيدة بالفعل. قال مايهام: \"لقد انهار ما كان يمثل ساعة كاملة من الإعداد للمبيعات في بضع دقائق\". قال كارلوس دوترا، مدير علوم البيانات في شركة Trustly للتكنولوجيا المالية، إن كلود كود \"غيّر حقًا\" سير عمله اليومي. فهو يستخدمه في معظم أعماله البرمجية، وما أدهشه لم يكن السرعة، بل حقيقة أنه لم يكن بحاجة إلى فتح علامات تبويب المتصفح وتتبعها. وقال: \"ليس لأنني كسول، ولكن لأن الإجابات أفضل\". ولا يزال يستخدم Google في بعض المهام: صفحات التسعير، وآخر الأخبار، وأي شيء يجب أن يكون محدثًا. وقال: \"ولكن لأسباب فنية؟ لقد استبدل الوكلاء في الغالب البحث عني شخصيا\". وقد مر يانغ من Quora بتجربة مماثلة. لقد كان يستخدم Claude Code يوميًا خلال الأشهر القليلة الماضية، وذلك في المقام الأول لاستراتيجية المحتوى وإدارة المعرفة والأبحاث التنافسية. أصبحت مهام سير العمل التي كانت تستغرق نصف يوم تستغرق الآن 30 دقيقة. ولكن الأمر الأكثر فائدة هو أنه يمكنه الآن إجراء مهام البحث والتوليف بالتوازي، وهو ما كان عليه في السابق القيام به بشكل تسلسلي. ومن المفيد أيضًا أن يكون احتفاظ الوكلاء بالسياق عبر الجلسات \"أفضل بشكل ملحوظ\" من الأدوات المستندة إلى الويب. عندما يحتاج إلى فهم مفهوم ما، أو رسم خريطة للمشهد التنافسي، أو تجميع اتجاهات الصناعة، فإن Claude أو Perplexity هما الحل الأمثل قبل فتح علامة تبويب المتصفح. \"لقد بدأت التعامل مع بحث الوكلاء باعتباره محطتي الأولى، وليس Google. البحث التقليدي الآن هو المكان الذي أتحقق منه، وليس المكان الذي أكتشفه.\" مكامن الخلل حقيقية، على أية حال. وأشار مايهام إلى أن موقع LinkedIn، على وجه الخصوص، \"صارم\" بشأن حظر الوصول الآلي، وأن العديد من المواقع الأخرى لديها (أو تنفذ) وسائل حماية مماثلة. سيصطدم المستخدمون بالحواجز عندما لا يتمكن الوكلاء من المرور، لذا فإن الخطة الاحتياطية مهمة لأولئك الذين يعتمدون على الوكلاء. وقال: \"إن الموثوقية لم تصل إلى 100% بعد، وربما يكون هذا هو أكبر شيء يعيق اعتمادها على نطاق أوسع\". نصيحة Mayham للمطورين الآخرين: توقف عن مطاردة الأشياء اللامعة. يتم إطلاق أداة جديدة للذكاء الاصطناعي \"عمليًا كل يوم\"، وينتقل العديد (بما في ذلك المطورين ذوي الخبرة) من منصة إلى أخرى دون التعمق في أي منها. وشدد على أنه \"اختر نموذجًا، وتعمق فيه، وقم ببناء سير عمل حقيقي عليه\". \"ستحصل على قيمة أكبر من إتقان منصة واحدة مقارنة بالتجربة على مستوى السطح عبر خمس منصات.\" كيف يمكن للشركات التنافس في عالم يحركه المشغل الاقتصادي المعتمد (AEO) عندما يقوم وكلاء الذكاء الاصطناعي بالبحث، تتغير القواعد. لم يعد السؤال هو ما إذا كان المحتوى الخاص بك يتم تصنيفه في الصفحة الأولى، بل ما إذا كان النموذج يحددك كمصدر عند إنشاء إجابة. الهيكل مهم أكثر بكثير مما كان عليه من قبل. يجب أن يكون المحتوى: منظمًا حول غرض المحادثة، ويقدم إجابات مباشرة، ويعكس أسئلة المستخدم الحقيقية ومتابعاته؛ كن موثوقًا وتعكس خبرة قوية؛ كن طازجًا (وعند الضرورة، منتعشًا بانتظام)؛ احصل على رؤوس واضحة ومخطط محدد للأسئلة الشائعة. ومن الأشياء الأخرى التي يجب أن نحافظ عليها هو الحفاظ على حضور قوي للعلامة التجارية عبر المنتديات والمنصات - Wikipedia، وReddit، وLinkedIn، والمنشورات الصناعية - التي يتم تدريب العارضات عليها. قد تفكر الشركات أيضًا في الاستثمار في البيانات الأصلية، مثل الأبحاث. في تجربة Mayham، عندما تتم التوصية بشركة ما من قبل LLM أثناء استعلام نمط البحث، يكون معدل التحويل \"أعلى بشكل كبير\" من القنوات التقليدية. بالنسبة لشركته، يتم تحويل حركة المرور المحالة من LLM بنسبة 30 إلى 40٪، وهو ما \"يذهل ما نراه من تحسين محركات البحث أو وسائل التواصل الاجتماعي المدفوعة\". \"تختلف إشارة النية تمامًا عندما يجري شخص ما محادثة مع الذكاء الاصطناعي ويوصيك بالاسم.\" قال مايهام إن قابلية الاكتشاف داخل ماجستير إدارة الأعمال ستكون ذات أهمية بقدر أهمية تصنيفات جوجل، \"وربما أكثر\". \"إنه سطح جديد تمامًا لاكتساب العملاء لم تفكر فيه معظم الشركات بعد.\" وافق دوترا من شركة Trustly على أن \"الحقيقة المزعجة\" هي أن معظم محتوى المؤسسة أصبح \"غير مرئي بشكل أساسي\" في الاستعلامات التي يحركها الوكيل. وقال: \"إن AEO يدور حول ما إذا كان المحتوى الخاص بك سيتمكن من البقاء على قيد الحياة بعد أن تم تقسيمه ودمجه واسترجاعه لغويًا\". وأشار إلى أن الشركات التي تمضي قدماً لا تفعل أي شيء \"غريب\". لديهم محتوى واضح وتصريحي لا يتطلب سياقًا لفهمه. أولئك الذين ما زالوا يكتبون نسخة مليئة بالكلمات الرئيسية سوف يتخلفون عن الركب لأن LLMs يهتمون بالوضوح الدلالي. اختبار سريع يقدمه للعملاء: اطرح سؤالاً على ماجستير إدارة الأعمال (LLM) الذي من المفترض أن تجيب عليه صفحتك، دون إعطائه عنوان URL. \"إذا لم تتمكن من بناء الإجابة من المحتوى الخاص بك، فلديك مشكلة.\" يقدم جيف أكسفورد، من وكالة تحسين محركات البحث Visibility Labs، نصيحة قيمة خطوة بخطوة: شارك في المحادثات على Reddit، وهو أحد أكثر المجالات التي يتم الاستشهاد بها في بحث الذكاء الاصطناعي. يجب على الشركات أن تكتسب سمعة إيجابية على Reddit، وأن تشارك في أي مواضيع ذات صلة حيث يطلب العملاء توصيات. بناء حضور قوي على اليوتيوب. وفقًا لـ Ahrefs، الذي يتتبع سلوك الإنترنت، فإن إشارات YouTube لها \"أقوى ارتباط\" مع رؤية الذكاء الاصطناعي عبر ChatGPT، ووضع AI، وAI Overviews. قال أكسفورد: \"هذا أمر منطقي، نظرًا لأن كلاً من Google وOpenAI قاما بتدريب نماذجهما على نصوص YouTube، ويوتيوب هو النطاق الأكثر استشهادًا به في منتجات Google للذكاء الاصطناعي\". الاستثمار في العلاقات العامة الرقمية وذكر العلامات التجارية؛ وهذا الأخير هو ثاني أعلى عامل مرتبط برؤية الذكاء الاصطناعي. وقال أكسفورد: \"تحتاج العلامات التجارية إلى تحسين تواجدها الرقمي من خلال التواجد في أكبر عدد ممكن من الأماكن\". قم بإنشاء محتوى يتماشى مع أنماط اقتباس الذكاء الاصطناعي. يجب على الشركات مراجعة المطالبات والموضوعات التي تظهر فيها محركات بحث الذكاء الاصطناعي على المنافسين، ثم إنشاء محتوى موثوق به حول نفس المواضيع. وأشار إلى أن \"الهدف هو أن نصبح مصدرًا تعتبره نماذج الذكاء الاصطناعي جديرًا بالاستشهاد به\". ومع ذلك، قد يكون هناك الكثير من الضجيج غير الضروري حول مدى حاجة الشركات إلى التغيير بشكل جذري، كما يقول شاشي بيلامكوندا، مدير الأبحاث الرئيسي في شركة Info-Tech Research Group الاستشارية. أولئك الذين يتبعون أفضل الممارسات لإنتاج المحتوى الذي يحتاجه جمهورهم بالفعل، والذي يكتبه خبراء ويعرضون آراء الخبراء، هم في وضع جيد ليتم الاستشهاد بهم في البحث المدعوم بالذكاء الاصطناعي. وأشار إلى أن Google طورت إطار عمل EEAT (التجربة والخبرة والسلطة والثقة) لتقييم جودة المحتوى وفائدته ومساعدة الخوارزميات في تحديد المعلومات الموثوقة وعالية الجودة. لكي تتميز المؤسسات، يجب عليها استخدام البيانات المنظمة والمخططات للإشارة إلى السياق: هل هذه مقالة أم دراسة بحثية أم نظرة عامة على المنتج؟ قال بيلامكوندا: \"سيتم تقييم المحتوى الأصلي الطويل من خلال محركات الإجابات التي تعمل بالذكاء الاصطناعي\". \"إن استراتيجيات التقليد أو محاولة التلاعب بالنظام تعتبر من المحرمات في هذا العصر.\" ويجب على الخبراء أيضًا مشاركة أفكارهم عبر عدة قنوات، ويجب أن تكون صفحات \"نبذة عنا\" \"قوية\" وتتضمن سيرًا ذاتية تسلط الضوء على خبرات قادة الفكر. قال بيلامكوندا: \"في نهاية المطاف، تكمن سمعة البحث المدعوم بالذكاء الاصطناعي في التأكد من أن المستخدم يحب البحث بدلاً من ما تعتقد أنه يجب عليه قراءته\". \"لذا فإن التركيز الجيد على المستخدم النهائي يعد طريقة رائعة لتحقيق ذلك تنجح.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/infrastructure\/ai-ran-is-redefining-enterprise-edge-intelligence-and-autonomy",
            "title_en": "AI-RAN is redefining enterprise edge intelligence and autonomy",
            "summary_en": "Presented by Booz Allen AI-RAN, or artificial intelligence radio area networks, is a reimagining of what wireless infrastructure can do. Rather than treating the network as a passive conduit for data, AI-RAN turns it into an active computational layer. It's a sensor, a compute fabric, and a control plane for physical operations, all rolled into one. That shift has huge implications for industries from manufacturing and logistics to healthcare and smart infrastructure. VentureBeat spoke with two leaders at the center of this transformation: Chris Christou, senior vice president at Booz Allen, and Shervin Gerami, managing director at Cerberus Operations Supply Chain Fund. “AI-RAN can bring the promise of extending 5G and eventually 6G networks into the enterprise,” Christou said. “Provi",
            "body_en": "Presented by Booz Allen AI-RAN, or artificial intelligence radio area networks, is a reimagining of what wireless infrastructure can do. Rather than treating the network as a passive conduit for data, AI-RAN turns it into an active computational layer. It's a sensor, a compute fabric, and a control plane for physical operations, all rolled into one. That shift has huge implications for industries from manufacturing and logistics to healthcare and smart infrastructure. VentureBeat spoke with two leaders at the center of this transformation: Chris Christou, senior vice president at Booz Allen, and Shervin Gerami, managing director at Cerberus Operations Supply Chain Fund. “AI-RAN can bring the promise of extending 5G and eventually 6G networks into the enterprise,” Christou said. “Proving that a platform can host inference at the edge to enable new types of AI — in particular, physical AI and autonomy-type use cases for things like smart manufacturing and smart warehousing — can make operations more efficient and effective.” “AI-RAN lets enterprises move from digitizing processes to autonomously operating them,” Gerami added. \"The enterprise investment should not look at AI-RAN as a networking upgrade. It’s an operating system for physical industries.\" The difference between AI for RAN, AI on RAN, and AI and RAN The difference between AI for RAN, AI on RAN, and AI and RAN is critical. AI on RAN runs enterprise AI workloads on edge compute infrastructure integrated with the RAN, enabling real-time applications like computer vision, robotics, and localized LLM inference. AI and RAN represents the deeper convergence — where networks are designed to be AI-native, with AI workloads and radio infrastructure architected together as a coordinated, distributed system. At this stage, RAN evolves from a transport layer into a foundational layer of the AI economy. \"This is the transformational part,\" Gerami said. \"It’s jointly designing applications with networks. Now the application knows the network state, and the network understands the application’s intent. AI for RAN saves money. AI on RAN adds capability. Then AI and RAN together create entirely new business models.” It's this layered framework that makes AI-RAN more than an incremental evolution of existing wireless technology, and instead a platform shift that opens the network to the kind of developer ecosystem and application innovation that has historically been the domain of cloud computing. How ISAC turns the network into a sensor Integrated sensing and communications (ISAC) is the center of the infrastructure. The network becomes the sensor, a converged infrastructure simultaneously communicating and sensing its environment at the same time it hosts algorithms and applications at the edge. It will enable drone detection, pedestrian safety, and automotive sensing, and eventually even more innovative use cases. The enterprise value proposition of ISAC and a network as the sensor is clear, Gerami says. Today, organizations rely on multiple discrete systems to achieve situational awareness: cameras, radar, asset trackers, motion sensors and more. Each comes with its own maintenance burden, integration overhead and vendor relationship. ISAC has the potential to handle many of those capabilities natively within the network. “With ISAC you can do asset tracking at sub-meter precision inside factories and hospitals,\" he explained. \"You can detect movement patterns, perimeter breaches, and anomalies. Smart buildings can have occupancy-aware HVAC and energy optimization.\" How AI-RAN shaves milliseconds off edge AI and inference With AI-RAN, edge AI and low-latency inference become supercharged in use cases like real-time robotics management, instant quality inspection, and predictive maintenance. There are the applications where the latency gap between cloud and edge is the difference between a system that works and one that doesn’t. “Where edge AI kicks in is driving operations in milliseconds, not seconds, which is what cloud does,” Gerami explained. Split inference can also change the game, Christou says. “You have a lot of different use cases where the processing is done on the device, making that device more expensive and more power-hungry,” he said. “Now there’s the possibility of offloading that to a local AI-RAN stack, even getting into concepts like split inference, so you do some of the inference on the device, some on the edge AI-RAN stack, and some in the cloud, all appropriate to the use cases and the time scale of the processing required.” Why the timing of AI-RAN investment is critical now AI-RAN investment has a narrow and strategically critical window, both Germani and Christou said. “5G infrastructure is already being deployed, almost getting to a point of completion. 6G standards are not yet locked in,” Gerami explained. “This is an architectural moment for AI-RAN to come in. It allows the ability to not make RAN become a telco-centric design only. It allows the enterprise to become the co-creator of the application, the revenue and value generator of that network infrastructure.” Historically, enterprise IT has consumed wireless standards rather than shaped them. AI-RAN’s open architecture, built on software-defined, cloud-native, containerized components, changes that standardization dynamic. “Previously in the wireless industry it was a very long cycle. Now we’re seeing a push to get it implemented, get it out there, get early pilots, and then we’ll see how the technology works,\" Christou said. Simultaneously, in parallel, you can start defining the standards. You have real-life implementation experience to help influence how those standards take shape.” And the entry point is accessible, Gerami added. “The barrier to entry is very low,\" he said. \"Right now, it’s all code-based, all software. It’s no different than downloading software. You get yourself an Nvidia box and you can deploy it with a radio.” Why AI-RAN is the future of innovative AI use cases “We see AI-RAN as being an open architecture that’s truly driving innovation,\" Gerami said. \"It’s a flywheel for innovation. We want to create everything to be microservices, open native, cloud native, to allow partners to build vertical AI apps. There’s so much focus right now in the industry around how we can adopt AI effectively, how it will enable autonomy and robotics. This is one of those foundational pieces that can help realize some of those use cases. The future is about owning that physical inference.” “There’s so much focus right now in the industry around how we can adopt AI effectively — how it will enable autonomy and robotics,\" Christou said. \"This is one of those foundational pieces that can help realize some of those use cases.” Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/3FbsBFxwDf1ZxSZpHhvaPK\/e241163bf483dadc4f83a564619c12e5\/AdobeStock_324904517.jpeg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/infrastructure\/ai-ran-is-redefining-enterprise-edge-intelligence-and-autonomy",
            "date": "2026-04-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تعمل تقنية AI-RAN على إعادة تعريف ذكاء حافة المؤسسة واستقلاليتها",
            "summary_ar": "تقدم شركة Booz Allen AI-RAN، أو شبكات المنطقة الراديوية للذكاء الاصطناعي، إعادة تصور لما يمكن أن تفعله البنية التحتية اللاسلكية. وبدلاً من التعامل مع الشبكة باعتبارها قناة سلبية للبيانات، تقوم تقنية AI-RAN بتحويلها إلى طبقة حسابية نشطة. إنه جهاز استشعار، ونسيج حاسوبي، ومستوى تحكم للعمليات المادية، كلها مدمجة في جهاز واحد. ولهذا التحول آثار ضخمة على الصناعات من التصنيع والخدمات اللوجستية إلى الرعاية الصحية والبنية التحتية الذكية. تحدثت VentureBeat مع اثنين من القادة في قلب هذا التحول: كريس كريستو، نائب الرئيس الأول في Booz Allen، وشيرفين جيرامي، المدير الإداري في Cerberus Operations Supply Chain Fund. قال كريستو: \"يمكن لـ AI-RAN أن يحقق الوعد بتوسيع شبكات 5G وفي النهاية 6G إلى المؤسسة\". \"بروفي",
            "body_ar": "تقدم شركة Booz Allen AI-RAN، أو شبكات المنطقة الراديوية للذكاء الاصطناعي، إعادة تصور لما يمكن أن تفعله البنية التحتية اللاسلكية. وبدلاً من التعامل مع الشبكة باعتبارها قناة سلبية للبيانات، تقوم تقنية AI-RAN بتحويلها إلى طبقة حسابية نشطة. إنه جهاز استشعار، ونسيج حاسوبي، ومستوى تحكم للعمليات المادية، كلها مدمجة في جهاز واحد. ولهذا التحول آثار ضخمة على الصناعات من التصنيع والخدمات اللوجستية إلى الرعاية الصحية والبنية التحتية الذكية. تحدثت VentureBeat مع اثنين من القادة في قلب هذا التحول: كريس كريستو، نائب الرئيس الأول في Booz Allen، وشيرفين جيرامي، المدير الإداري في Cerberus Operations Supply Chain Fund. قال كريستو: \"يمكن لـ AI-RAN أن يحقق الوعد بتوسيع شبكات 5G وفي النهاية 6G إلى المؤسسة\". \"إن إثبات أن النظام الأساسي يمكنه استضافة الاستدلال على الحافة لتمكين أنواع جديدة من الذكاء الاصطناعي - على وجه الخصوص، الذكاء الاصطناعي المادي وحالات الاستخدام من النوع المستقل لأشياء مثل التصنيع الذكي والتخزين الذكي - يمكن أن يجعل العمليات أكثر كفاءة وفعالية.\" وأضاف جيرامي: \"تتيح تقنية AI-RAN للمؤسسات الانتقال من رقمنة العمليات إلى تشغيلها بشكل مستقل\". \"لا ينبغي لاستثمارات المؤسسات أن تنظر إلى AI-RAN كترقية للشبكات. إنه نظام تشغيل للصناعات المادية.\" الفرق بين الذكاء الاصطناعي لشبكة النفاذ الراديوي (RAN)، والذكاء الاصطناعي لشبكة النفاذ الراديوي (RAN)، والذكاء الاصطناعي لشبكة النفاذ الراديوي (RAN)، والذكاء الاصطناعي لشبكة النفاذ الراديوي (RAN)، يعد الفرق بين الذكاء الاصطناعي لشبكة النفاذ الراديوي (RAN)، والذكاء الاصطناعي لشبكة النفاذ الراديوي (RAN)، والذكاء الاصطناعي لشبكة النفاذ الراديوي (RAN)، والذكاء الاصطناعي لشبكة النفاذ الراديوي (RAN) أمرًا بالغ الأهمية. يدير الذكاء الاصطناعي على شبكة النفاذ الراديوي (RAN) أعباء عمل الذكاء الاصطناعي للمؤسسات على البنية التحتية لحوسبة الحافة المتكاملة مع شبكة النفاذ الراديوي (RAN)، مما يتيح تطبيقات في الوقت الفعلي مثل رؤية الكمبيوتر، والروبوتات، واستدلال LLM المحلي. يمثل الذكاء الاصطناعي وشبكة النفاذ الراديوي (RAN) تقاربًا أعمق - حيث يتم تصميم الشبكات لتكون متوافقة مع الذكاء الاصطناعي، مع تصميم أعباء عمل الذكاء الاصطناعي والبنية التحتية الراديوية معًا كنظام منسق وموزع. في هذه المرحلة، تتطور شبكة النفاذ الراديوي (RAN) من طبقة النقل إلى الطبقة التأسيسية لاقتصاد الذكاء الاصطناعي. وقال جيرامي \"هذا هو الجزء التحويلي\". \"إنه تصميم مشترك للتطبيقات مع الشبكات. الآن يعرف التطبيق حالة الشبكة، وتفهم الشبكة غرض التطبيق. الذكاء الاصطناعي لـ RAN يوفر المال. يضيف الذكاء الاصطناعي على RAN القدرة. ومن ثم يقوم الذكاء الاصطناعي وران معًا بإنشاء نماذج أعمال جديدة تمامًا. هذا الإطار متعدد الطبقات هو الذي يجعل AI-RAN أكثر من مجرد تطور تدريجي للتكنولوجيا اللاسلكية الحالية، وبدلاً من ذلك تحول في النظام الأساسي يفتح الشبكة أمام نوع النظام البيئي للمطورين وابتكار التطبيقات الذي كان تاريخياً مجال الحوسبة السحابية. كيف يقوم ISAC بتحويل الشبكة إلى جهاز استشعار؟ الاستشعار المتكامل والاتصالات (ISAC) هو مركز البنية التحتية. تصبح الشبكة بمثابة المستشعر، وهي عبارة عن بنية تحتية متقاربة تقوم في نفس الوقت بالاتصال واستشعار بيئتها في نفس الوقت الذي تستضيف فيه الخوارزميات والتطبيقات على الحافة. وسوف تمكن من اكتشاف الطائرات بدون طيار، وسلامة المشاة، واستشعار السيارات، وفي نهاية المطاف حالات استخدام أكثر ابتكارًا. يقول جيرامي إن عرض القيمة المؤسسية لـ ISAC والشبكة كجهاز استشعار واضح. اليوم، تعتمد المؤسسات على أنظمة منفصلة متعددة لتحقيق الوعي الظرفي: الكاميرات والرادار وأجهزة تتبع الأصول وأجهزة استشعار الحركة والمزيد. ويأتي كل منها مع عبء الصيانة الخاص به، وتكاليف التكامل العامة، والعلاقة مع البائع. لدى ISAC القدرة على التعامل مع العديد من هذه الإمكانات محليًا داخل الشبكة. وأوضح: \"مع ISAC، يمكنك القيام بتتبع الأصول بدقة أقل من متر داخل المصانع والمستشفيات\". \"يمكنك اكتشاف أنماط الحركة، والخروقات المحيطة، والشذوذات. يمكن أن تتمتع المباني الذكية بنظام التدفئة والتهوية وتكييف الهواء (HVAC) المدرك للإشغال وتحسين الطاقة.\" كيف تختصر تقنية AI-RAN أجزاء من الثانية من الذكاء الاصطناعي والاستدلال باستخدام تقنية AI-RAN، يصبح الذكاء الاصطناعي للحافة والاستدلال منخفض زمن الوصول مشحونًا للغاية في حالات الاستخدام مثل إدارة الروبوتات في الوقت الفعلي، وفحص الجودة الفوري، والصيانة التنبؤية. هناك تطبيقات تكون فيها فجوة زمن الاستجابة بين السحابة والحافة هي الفرق بين النظام الذي يعمل والآخر الذي لا يعمل. وأوضح جيرامي: \"حيث يبدأ الذكاء الاصطناعي الحافة في قيادة العمليات بالمللي ثانية، وليس بالثواني، وهو ما تفعله السحابة\". يقول كريستو إن الاستدلال المنقسم يمكن أن يغير اللعبة أيضًا. وقال: \"لديك الكثير من حالات الاستخدام المختلفة حيث تتم المعالجة على الجهاز، مما يجعل هذا الجهاز أكثر تكلفة وأكثر تعطشا للطاقة\". \"الآن هناك إمكانية تفريغ ذلك إلى مكدس AI-RAN محلي، وحتى الدخول في مفاهيم مثل الاستدلال المقسم، بحيث يمكنك إجراء بعض الاستدلال على الجهاز، وبعضها على مكدس AI-RAN الحافة، وبعضها في السحابة، وكلها مناسبة لحالات الاستخدام والنطاق الزمني للمعالجة المطلوبة.\" قال كل من جيرماني وكريستو: لماذا يعد توقيت الاستثمار في AI-RAN أمرًا بالغ الأهمية الآن؟ وأوضح جيرامي: \"لقد تم بالفعل نشر البنية التحتية لـ 5G، وقد وصلت تقريبًا إلى نقطة الاكتمال. ولم يتم بعد تثبيت معايير 6G\". \"إنها لحظة معمارية لدخول AI-RAN. فهي تتيح القدرة على عدم جعل RAN تصبح تصميمًا يتمحور حول الاتصالات فقط. إنها تسمح للمؤسسة بأن تصبح منشئًا مشاركًا للتطبيق، ومولد الإيرادات والقيمة للبنية التحتية للشبكة تلك.\" تاريخيًا، استهلكت تكنولوجيا المعلومات في المؤسسات المعايير اللاسلكية بدلاً من تشكيلها. تعمل البنية المفتوحة لـ AI-RAN، المبنية على مكونات محددة برمجيًا وسحابية ومحتوية على حاويات، على تغيير ديناميكية التقييس هذه. وقال كريستو: \"في السابق، كانت الصناعة اللاسلكية عبارة عن دورة طويلة جدًا. والآن نشهد دفعة لتنفيذها، ونشرها، والحصول على طيارين مبكرين، وبعد ذلك سنرى كيف تعمل التكنولوجيا\". في نفس الوقت، بالتوازي، يمكنك البدء في تحديد المعايير. لديك خبرة تنفيذية واقعية للمساعدة في التأثير على كيفية تشكيل تلك المعايير. وأضاف جيرامي أن نقطة الدخول يمكن الوصول إليها. وقال: \"إن حاجز الدخول منخفض للغاية\". \"في الوقت الحالي، يعتمد كل شيء على التعليمات البرمجية، وجميع البرامج. لا يختلف الأمر عن تنزيل البرامج. يمكنك الحصول على جهاز Nvidia ويمكنك نشره باستخدام الراديو. لماذا تعتبر AI-RAN مستقبل حالات الاستخدام المبتكرة للذكاء الاصطناعي، قال جيرامي: \"إننا نعتبر AI-RAN بمثابة بنية مفتوحة تقود الابتكار حقًا\". \"إنها دولاب الموازنة للابتكار. نريد إنشاء كل شيء ليكون خدمات صغيرة ومفتوحة ومدمجة على السحابة الأصلية، للسماح للشركاء ببناء تطبيقات الذكاء الاصطناعي العمودية. هناك الكثير من التركيز في الصناعة الآن حول كيفية اعتماد الذكاء الاصطناعي بشكل فعال، وكيف سيمكن الاستقلالية والروبوتات. هذه واحدة من تلك الأجزاء الأساسية التي يمكن أن تساعد في تحقيق بعض حالات الاستخدام هذه. المستقبل يدور حول امتلاك هذا الاستدلال المادي. وقال كريستو: \"هناك الكثير من التركيز الآن في الصناعة حول كيفية اعتماد الذكاء الاصطناعي بشكل فعال - وكيف سيمكن من الاستقلالية والروبوتات\". \"هذه واحدة من تلك الأجزاء الأساسية التي يمكن أن تساعد في تحقيق بعض حالات الاستخدام هذه.\" المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/data\/as-models-converge-the-enterprise-edge-in-ai-shifts-to-governed-data-and-the",
            "title_en": "As models converge, the enterprise edge in AI shifts to governed data and the platforms that control it",
            "summary_en": "Presented by Box As frontier models converge, the advantage in enterprise AI is moving away from the model and toward the data it can safely access. For most enterprises, that advantage lives in unstructured data: the contracts, case files, product specifications, and internal knowledge. For enterprise leaders, the question is no longer which model to use, but which platform governs the content those models are allowed to reason over. \"It's not what the model does anymore, it's the enterprise's own unstructured data – their content, how it's organized, how it's governed, and how it's made accessible to the AI.\" says Yash Bhavnani, head of AI at Box. \"The organizations that will lead in AI are the ones that built the governance infrastructure to make any model ",
            "body_en": "Presented by Box As frontier models converge, the advantage in enterprise AI is moving away from the model and toward the data it can safely access. For most enterprises, that advantage lives in unstructured data: the contracts, case files, product specifications, and internal knowledge. For enterprise leaders, the question is no longer which model to use, but which platform governs the content those models are allowed to reason over. \"It's not what the model does anymore, it's the enterprise's own unstructured data – their content, how it's organized, how it's governed, and how it's made accessible to the AI.\" says Yash Bhavnani, head of AI at Box. \"The organizations that will lead in AI are the ones that built the governance infrastructure to make any model trustworthy, with the right permissions in place, the right content accessible, and a clear audit trail for every action taken,\" says Ben Kus, CTO of Box. Enterprise AI must be grounded in secure systems of record As the advantage in AI shifts from models to governed content, systems of record are becoming the foundation that makes enterprise AI trustworthy. Employees use frontier models to summarize documents, draft reports, answer questions, but when those tools are disconnected from authoritative internal repositories, the results are difficult to trust, impossible to audit, and potentially dangerous. AI that cannot trace its outputs back to a governed source of record becomes a liability. \"It's not a theoretical concern,\" Bhavnani says. \"For an insurance enterprise using AI to analyze client claims, low accuracy is simply not acceptable, and untraceable output can't be acted upon.\" Systems of record provide authoritative, version-controlled content with embedded permissions and compliance controls already built in, and RAG pipelines retrieve data from live repositories at inference time, connecting responses directly to current, traceable sources. Without integration into systems of record, employees build their own workarounds, content gets duplicated across tools that don't talk to each other, and shadow knowledge stores accumulate outside the visibility of IT and compliance teams. \"Customers tell us employees are uploading sensitive documents to personal accounts and running their own AI workflows, with no visibility from the enterprise into what is being shared or what is being generated,\" he says. \"It's not just a security risk, it's an organizational one.\" Permission-aware access is a requirement for agentic AI As AI moves into agentic territory, executing multi-step tasks autonomously across documents, workflows, and enterprise systems, the risk profile changes entirely. Agents act faster than humans, often without the contextual judgment needed to decide what data they should access, making permissions-aware access essential. \"An AI platform without permissions-aware access is too dangerous to use,\" Kus says. \"It's a precondition for safe enterprise AI deployment, and the more it appears to have been added after the fact rather than built into the foundation, the more it should concern the enterprise considering it.\" In regulated industries, frameworks like HIPAA, FedRAMP High, and SOC 2 demand audit trails, policy enforcement, and demonstrable controls over who and what has accessed sensitive data. \"The audit trail should cover not only the source files but the AI session that used them, and accessed only with the same controls and the same encryption mechanism,\" Kus says. \"We don't want customers to end up with a compliance breach because the agent was looking at sensitive data and the agent records got stored somewhere unexpected.\" Content platforms are evolving into AI control planes Enterprise content platforms are evolving from repositories into orchestration layers — an AI control plane that sits between models, agents, and enterprise data. Rather than just storing documents, the platform governs how content is accessed, routes it to the right reasoning engine, enforces permissions, and maintains a complete audit trail of every action. \"An AI-ready content platform needs to support human navigation and use in the way platforms always have, and it needs its own AI agents that understand the platform's data structures deeply enough to get the best out of them,\" Kus says. \"It also needs to be open enough that any external agent can reach into it. An open agent ecosystem is the future of how these platforms will work.\" When content, permissions, audit trails, and application access are all handled by the same platform, governance stays attached to the content itself. More than any capability of the models on top of it, a unified governance layer is what allows enterprise AI to scale safely. Turning unstructured content into structured intelligence Unstructured data has long been a sticking point for organizations, which had to build specialized models to handle every subtype of unstructured data. \"What's changed is that general-purpose large language models now bring enough intelligence to extract structured data from unstructured content without that level of bespoke investment,\" Kus says. \"Box Extract applies this capability at scale, automatically pulling key information from contracts, forms, claims, and reports and applying it as structured metadata within Box. The content that previously had to be read by a person to yield its value can now be processed, structured, and made queryable across an entire repository.\" And once that data is extracted and operational logic lives in the system, users can visualize, search, and act on that extracted information through custom dashboards and no-code tools. Box Agents take this further by enabling multi-step reasoning and task execution grounded directly in enterprise content, with persistent sessions that support iterative knowledge work with simple, natural language direction. And because agent sessions in Box are persistent, the work is not lost between interactions. The practical result is that end-to-end workflows that previously required human coordination across multiple systems can be orchestrated directly on systems of record. \"When those workflows are built on Box agents and automation operating directly on governed content, the handoffs become automated, the audit trail is built in, and the system of record remains the authoritative source throughout,\" Bhavani says. \"Nothing falls through the cracks between systems, because there is only one system.\" The enterprises seeing real returns are not the ones that simply plugged in a frontier model and waited for results. They are the ones that connected AI to their systems of record, governed what it can access, and built the operational layer that makes its outputs trustworthy enough to use at scale. Platforms that bring together content management, security, automation, and AI integration in a single layer are emerging as the foundation for enterprise AI, because model capability alone is not enough. Without governance built into the platform, the gaps between systems become the point of failure. Sponsored articles are content produced by a company that is either paying for the post or has a business relationship with VentureBeat, and they’re always clearly marked. For more information, contact sales@venturebeat.com .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/7zP5BV5YSxQZE0iLhTRXx8\/a09df6eb22862d17364a3c914ba3b2a7\/AdobeStock_1858362742.jpeg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/data\/as-models-converge-the-enterprise-edge-in-ai-shifts-to-governed-data-and-the",
            "date": "2026-04-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "مع تقارب النماذج، تتحول ميزة المؤسسة في الذكاء الاصطناعي إلى البيانات المحكومة والأنظمة الأساسية التي تتحكم فيها",
            "summary_ar": "مع تقارب النماذج الرائدة، فإن الميزة في الذكاء الاصطناعي المؤسسي هي الابتعاد عن النموذج ونحو البيانات التي يمكنه الوصول إليها بأمان. بالنسبة لمعظم المؤسسات، تكمن هذه الميزة في البيانات غير المنظمة: العقود، وملفات الحالة، ومواصفات المنتج، والمعرفة الداخلية. بالنسبة لقادة المؤسسات، لم يعد السؤال هو أي نموذج يجب استخدامه، بل ما هي المنصة التي تحكم المحتوى الذي يُسمح لتلك النماذج بالتفكير فيه. \"لم يعد الأمر يتعلق بما يفعله النموذج بعد الآن، بل يتعلق بالبيانات غير المنظمة الخاصة بالمؤسسة - محتواها، وكيفية تنظيمها، وكيفية إدارتها، وكيف يتم إتاحتها للذكاء الاصطناعي.\" يقول ياش بهافناني، رئيس قسم الذكاء الاصطناعي في Box. \"المنظمات التي ستقود الذكاء الاصطناعي هي تلك التي قامت ببناء البنية التحتية للحوكمة لصنع أي نموذج",
            "body_ar": "مع تقارب النماذج الرائدة، فإن الميزة في الذكاء الاصطناعي المؤسسي هي الابتعاد عن النموذج ونحو البيانات التي يمكنه الوصول إليها بأمان. بالنسبة لمعظم المؤسسات، تكمن هذه الميزة في البيانات غير المنظمة: العقود، وملفات الحالة، ومواصفات المنتج، والمعرفة الداخلية. بالنسبة لقادة المؤسسات، لم يعد السؤال هو أي نموذج يجب استخدامه، بل ما هي المنصة التي تحكم المحتوى الذي يُسمح لتلك النماذج بالتفكير فيه. \"لم يعد الأمر يتعلق بما يفعله النموذج بعد الآن، بل يتعلق بالبيانات غير المنظمة الخاصة بالمؤسسة - محتواها، وكيفية تنظيمها، وكيفية إدارتها، وكيف يتم إتاحتها للذكاء الاصطناعي.\" يقول ياش بهافناني، رئيس قسم الذكاء الاصطناعي في Box. يقول بن كوس، المدير التنفيذي للتكنولوجيا في Box: \"المنظمات التي ستقود الذكاء الاصطناعي هي تلك التي قامت ببناء البنية التحتية للحوكمة لجعل أي نموذج جديرًا بالثقة، مع توفر الأذونات الصحيحة، والمحتوى المناسب الذي يمكن الوصول إليه، ومسار تدقيق واضح لكل إجراء يتم اتخاذه\". يجب أن يرتكز الذكاء الاصطناعي المؤسسي على أنظمة سجل آمنة مع تحول ميزة الذكاء الاصطناعي من النماذج إلى المحتوى المُدار، أصبحت أنظمة السجلات هي الأساس الذي يجعل الذكاء الاصطناعي المؤسسي جديرًا بالثقة. يستخدم الموظفون النماذج الرائدة لتلخيص المستندات، وصياغة التقارير، والإجابة على الأسئلة، ولكن عندما يتم فصل هذه الأدوات عن المستودعات الداخلية الرسمية، يصبح من الصعب الوثوق بالنتائج، ومن المستحيل تدقيقها، ومن المحتمل أن تكون خطيرة. الذكاء الاصطناعي الذي لا يستطيع تتبع مخرجاته إلى مصدر سجل محكوم يصبح مسؤولية. يقول بهافناني: \"إنه ليس مصدر قلق نظري\". \"بالنسبة لمؤسسة تأمين تستخدم الذكاء الاصطناعي لتحليل مطالبات العملاء، فإن الدقة المنخفضة ببساطة غير مقبولة، ولا يمكن التصرف بناءً على النتائج التي لا يمكن تتبعها.\" توفر أنظمة السجلات محتوى موثوقًا يتم التحكم فيه بالإصدار مع أذونات مضمنة وضوابط امتثال مدمجة بالفعل، وتقوم خطوط أنابيب RAG باسترداد البيانات من المستودعات المباشرة في وقت الاستدلال، وربط الاستجابات مباشرة بالمصادر الحالية التي يمكن تتبعها. بدون التكامل في أنظمة التسجيل، يقوم الموظفون ببناء الحلول الخاصة بهم، ويتم تكرار المحتوى عبر الأدوات التي لا تتحدث مع بعضها البعض، وتتراكم مخازن المعرفة الظلية خارج نطاق رؤية فرق تكنولوجيا المعلومات والامتثال. ويقول: \"يخبرنا العملاء أن الموظفين يقومون بتحميل مستندات حساسة إلى حسابات شخصية ويديرون سير عمل الذكاء الاصطناعي الخاص بهم، مع عدم وجود رؤية من المؤسسة إلى ما تتم مشاركته أو ما يتم إنشاؤه\". \"إنه ليس مجرد خطر أمني، بل هو خطر تنظيمي.\" يعد الوصول الواعي بالإذن أحد متطلبات الذكاء الاصطناعي الوكيل. مع انتقال الذكاء الاصطناعي إلى المنطقة الوكيلة، وتنفيذ المهام متعددة الخطوات بشكل مستقل عبر المستندات، ومسارات العمل، وأنظمة المؤسسة، يتغير ملف تعريف المخاطر تمامًا. يتصرف الوكلاء بشكل أسرع من البشر، وغالبًا ما يكون ذلك بدون الحكم السياقي اللازم لتحديد البيانات التي يجب عليهم الوصول إليها، مما يجعل الوصول الواعي بالأذونات أمرًا ضروريًا. يقول كوس: \"إن استخدام منصة الذكاء الاصطناعي بدون الوصول الواعي بالأذونات أمر خطير للغاية\". \"إنه شرط مسبق للنشر الآمن للذكاء الاصطناعي في المؤسسة، وكلما بدا أنه تمت إضافته بعد وقوع الحدث بدلاً من دمجه في الأساس، كلما كان الأمر أكثر أهمية للمؤسسة التي تفكر فيه.\" في الصناعات الخاضعة للتنظيم، تتطلب أطر العمل مثل HIPAA، وFedRAMP High، وSOC 2، مسارات تدقيق، وإنفاذ السياسات، وضوابط يمكن إثباتها بشأن من وما الذي يمكنه الوصول إلى البيانات الحساسة. يقول كوس: \"يجب أن يغطي مسار التدقيق ليس فقط الملفات المصدر، بل جلسة الذكاء الاصطناعي التي استخدمتها، ولا يمكن الوصول إليها إلا باستخدام نفس عناصر التحكم ونفس آلية التشفير\". \"لا نريد أن ينتهي الأمر بالعملاء إلى انتهاك الامتثال لأن الوكيل كان يبحث في بيانات حساسة وتم تخزين سجلات الوكيل في مكان غير متوقع.\" تتطور منصات المحتوى إلى مستويات تحكم للذكاء الاصطناعي تتطور منصات محتوى المؤسسات من المستودعات إلى طبقات التنسيق - وهي عبارة عن مستوى تحكم للذكاء الاصطناعي يقع بين النماذج والوكلاء وبيانات المؤسسة. بدلاً من مجرد تخزين المستندات، تحكم المنصة كيفية الوصول إلى المحتوى، وتوجيهه إلى محرك التفكير الصحيح، وفرض الأذونات، والحفاظ على مسار تدقيق كامل لكل إجراء. يقول كوس: \"تحتاج منصة المحتوى الجاهزة للذكاء الاصطناعي إلى دعم التنقل البشري والاستخدام بالطريقة التي تتبعها المنصات دائمًا، وتحتاج إلى وكلاء الذكاء الاصطناعي الخاصين بها الذين يفهمون هياكل بيانات النظام الأساسي بعمق كافٍ للحصول على أفضل النتائج منها\". \"يجب أيضًا أن تكون مفتوحة بدرجة كافية حتى يتمكن أي وكيل خارجي من الوصول إليها. إن النظام البيئي للوكيل المفتوح هو مستقبل كيفية عمل هذه المنصات.\" عندما تتم معالجة المحتوى والأذونات ومسارات التدقيق والوصول إلى التطبيق بواسطة نفس النظام الأساسي، تظل الإدارة مرتبطة بالمحتوى نفسه. أكثر من أي قدرة للنماذج التي فوقها، فإن طبقة الحوكمة الموحدة هي ما يسمح للذكاء الاصطناعي المؤسسي بالتوسع بأمان. تحويل المحتوى غير المنظم إلى ذكاء منظم كانت البيانات غير المنظمة منذ فترة طويلة نقطة شائكة بالنسبة للمؤسسات، التي كان عليها بناء نماذج متخصصة للتعامل مع كل نوع فرعي من البيانات غير المنظمة. يقول كوس: \"ما تغير هو أن نماذج اللغات الكبيرة ذات الأغراض العامة توفر الآن ما يكفي من الذكاء لاستخراج البيانات المنظمة من المحتوى غير المنظم دون هذا المستوى من الاستثمار المخصص\". \"يطبق Box Extract هذه الإمكانية على نطاق واسع، حيث يقوم تلقائيًا بسحب المعلومات الأساسية من العقود والنماذج والمطالبات والتقارير وتطبيقها كبيانات تعريف منظمة داخل Box. المحتوى الذي كان يجب أن يقرأه شخص ما في السابق للحصول على قيمته، يمكن الآن معالجته وتنظيمه وجعله قابلاً للاستعلام عنه عبر مستودع كامل.\" وبمجرد استخراج تلك البيانات ويعيش المنطق التشغيلي في النظام، يمكن للمستخدمين تصور المعلومات المستخرجة والبحث عنها والتصرف بناءً عليها من خلال لوحات المعلومات المخصصة والأدوات التي لا تحتوي على تعليمات برمجية. يأخذ Box Agents هذا الأمر إلى أبعد من ذلك من خلال تمكين التفكير متعدد الخطوات وتنفيذ المهام بشكل مباشر في محتوى المؤسسة، مع جلسات مستمرة تدعم المعرفة التكرارية بتوجيه بسيط للغة الطبيعية. ونظرًا لأن جلسات الوكيل في Box مستمرة، فلن يتم فقدان العمل بين التفاعلات. والنتيجة العملية هي أن سير العمل الشامل الذي كان يتطلب سابقًا تنسيقًا بشريًا عبر أنظمة متعددة يمكن تنسيقه مباشرةً على أنظمة السجل. يقول بهافاني: \"عندما يتم إنشاء مسارات العمل هذه على وكلاء Box وتشغيل الأتمتة مباشرة على المحتوى المُدار، تصبح عمليات التسليم تلقائية، ويتم دمج مسار التدقيق، ويظل نظام التسجيل هو المصدر الرسمي طوال الوقت\". \"لا شيء يسقط من خلال الشقوق بين الأنظمة، لأنه يوجد نظام واحد فقط.\" فالمؤسسات التي تحقق عوائد حقيقية ليست هي تلك التي قامت ببساطة بإدخال نموذج حدودي وانتظرت النتائج. إنهم هم الذين ربطوا الذكاء الاصطناعي بأنظمتهم المسجلة، وحكموا ما يمكنه الوصول إليه، وقاموا ببناء الطبقة التشغيلية التي تجعل مخرجاته جديرة بالثقة بما يكفي لاستخدامها على نطاق واسع. بدأت المنصات التي تجمع بين إدارة المحتوى والأمن والأتمتة وتكامل الذكاء الاصطناعي في طبقة واحدة في الظهور كأساس للذكاء الاصطناعي المؤسسي، لأن القدرة النموذجية وحدها ليست كافية. وبدون وجود حوكمة مدمجة في النظام الأساسي، تصبح الفجوات بين الأنظمة هي نقطة الفشل. المقالات الدعائية هي محتوى تنتجه شركة تدفع مقابل المنشور أو لديها علاقة عمل مع VentureBeat، ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، اتصل بـ sales@venturebeat.com",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/technology\/claude-openclaw-and-the-new-reality-ai-agents-are-here-and-so-is-the-chaos",
            "title_en": "Claude, OpenClaw and the new reality: AI agents are here — and so is the chaos",
            "summary_en": "The age of agentic AI is upon us — whether we like it or not. What started with an innocent question-answer banter with ChatGPT back in 2022 has become an existential debate on job security and the rise of the machines. More recently, fears of reaching artificial general intelligence (AGI) have become more real with the advent of powerful autonomous agents like Claude Cowork and OpenClaw . Having played with these tools for some time, here is a comparison. First, we have OpenClaw (formerly known as Moltbot and Clawdbot). Surpassing 150,000 GitHub stars in days, OpenClaw is already being deployed on local machines with deep system access. This is like a robot “maid” (Irona for Richie Rich fans, for instance) that you give the keys to your house. It’s supposed to clean it, and you give it th",
            "body_en": "The age of agentic AI is upon us — whether we like it or not. What started with an innocent question-answer banter with ChatGPT back in 2022 has become an existential debate on job security and the rise of the machines. More recently, fears of reaching artificial general intelligence (AGI) have become more real with the advent of powerful autonomous agents like Claude Cowork and OpenClaw . Having played with these tools for some time, here is a comparison. First, we have OpenClaw (formerly known as Moltbot and Clawdbot). Surpassing 150,000 GitHub stars in days, OpenClaw is already being deployed on local machines with deep system access. This is like a robot “maid” (Irona for Richie Rich fans, for instance) that you give the keys to your house. It’s supposed to clean it, and you give it the necessary autonomy to take actions and manage your belongings (files and data) as it pleases. The whole purpose is to perform the task at hand — inbox triaging, auto-replies, content curation, travel planning, and more. Next we have Google’s Antigravity , a coding agent with an IDE that accelerates the path from prompt to production. You can interactively create complete application projects and modify specific details over individual prompts. This is like having a junior developer that can not only code, but build, test, integrate, and fix issues. In the realworld, this is like hiring an electrician: They are really good at a specific job and you only need to give them access to a specific item (your electric junction box). Finally, we have the mighty Claude. The release of Anthropic's Cowork, which featured AI agents for automating legal tasks like contract review and NDA triage, caused a sharp sell-off in legal-tech and software-as-a-service (SaaS) stocks (referred to as the SaaSpocalypse ). Claude has anyway been the go-to chatbot; now with Cowork, it has domain knowledge for specific industries like legal and finance. This is like hiring an accountant. They know the domain inside-out and can complete taxes and manage invoices. Users provide specific access to highly-sensitive financial details. Making these tools work for you The key to making these tools more impactful is giving them more power, but that increases the risk of misuse . Users must trust providers like Anthorpic and Google to ensure that agent prompts will not cause harm, leak data, or provide unfair (illegal) advantage to certain vendors. OpenClaw is open-source, which complicates things, as there is no central governing authority. While these technological advancements are amazing and meant for the greater good, all it takes is one or two adverse events to cause panic. Imagine the agentic electrician frying all your house circuits by connecting the wrong wire. In an agent scenario, this could be injecting incorrect code, breaking down a bigger system or adding hidden flaws that may not be immediately evident. Cowork could miss major saving opportunities when doing a user's taxes; on the flip side, it could include illegal writeoffs. Claude can do unimaginable damage when it has more control and authority. But in the middle of this chaos, there is an opportunity to really take advantage. With the right guardrails in place, agents can focus on specific actions and avoid making random, unaccounted-for decisions. Principles of responsible AI — accountability, transparency, reproducibility, security, privacy — are extremely important. Logging agent steps and human confirmation are absolutely critical. Also, when agents deal with so many diverse systems, it's important they speak the same language. Ontology becomes very important so that events can be tracked, monitored, and accounted for. A shared domain-specific ontology can define a “code of conduct.\" These ethics can help control the chaos. When tied together with a shared trust and distributed identity framework, we can build systems that enable agents to do truly useful work. When done right, an agentic ecosystem can greatly offload the human “cognitive load” and enable our workforce to perform high-value tasks. Humans will benefit when agents handle the mundane. Dattaraj Rao is innovation and R&D architect at Persistent Systems.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/33OB5cKXtts9VZ7sMyzGew\/7454f3b529fbde6e78746d28b720e4c4\/Chaos.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/technology\/claude-openclaw-and-the-new-reality-ai-agents-are-here-and-so-is-the-chaos",
            "date": "2026-04-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "كلود وOpenClaw والواقع الجديد: عملاء الذكاء الاصطناعي موجودون هنا، وكذلك الفوضى",
            "summary_ar": "لقد اقتربنا من عصر الذكاء الاصطناعي الوكيل، سواء أحببنا ذلك أم لا. ما بدأ بمزاح بريء من الأسئلة والأجوبة مع ChatGPT في عام 2022 أصبح نقاشًا وجوديًا حول الأمن الوظيفي وصعود الآلات. وفي الآونة الأخيرة، أصبحت المخاوف من الوصول إلى الذكاء العام الاصطناعي (AGI) أكثر واقعية مع ظهور عملاء مستقلين أقوياء مثل كلود كوورك وOpenClaw. بعد أن لعبت بهذه الأدوات لبعض الوقت، إليك مقارنة. أولاً، لدينا OpenClaw (المعروف سابقًا باسم Moltbot وClawdbot). بعد أن تجاوز عدد نجوم GitHub 150,000 في أيام، تم بالفعل نشر OpenClaw على الأجهزة المحلية ذات الوصول العميق إلى النظام. هذا يشبه \"الخادمة\" الآلية (أيرونا لمحبي ريتشي ريتش، على سبيل المثال) التي تعطي مفاتيح منزلك. من المفترض أن تنظفه، وأنت تعطيه ذ",
            "body_ar": "لقد اقتربنا من عصر الذكاء الاصطناعي الوكيل، سواء أحببنا ذلك أم لا. ما بدأ بمزاح بريء من الأسئلة والأجوبة مع ChatGPT في عام 2022 أصبح نقاشًا وجوديًا حول الأمن الوظيفي وصعود الآلات. وفي الآونة الأخيرة، أصبحت المخاوف من الوصول إلى الذكاء العام الاصطناعي (AGI) أكثر واقعية مع ظهور عملاء مستقلين أقوياء مثل كلود كوورك وOpenClaw. بعد أن لعبت بهذه الأدوات لبعض الوقت، إليك مقارنة. أولاً، لدينا OpenClaw (المعروف سابقًا باسم Moltbot وClawdbot). بعد أن تجاوز عدد نجوم GitHub 150,000 في أيام، تم بالفعل نشر OpenClaw على الأجهزة المحلية ذات الوصول العميق إلى النظام. هذا يشبه \"الخادمة\" الآلية (أيرونا لمحبي ريتشي ريتش، على سبيل المثال) التي تعطي مفاتيح منزلك. من المفترض أن يقوم بتنظيفه، وأن تمنحه الاستقلالية اللازمة لاتخاذ الإجراءات وإدارة ممتلكاتك (الملفات والبيانات) كما يحلو لك. والغرض كله هو أداء المهمة المطروحة - فرز البريد الوارد، والردود التلقائية، وتنظيم المحتوى، والتخطيط للسفر، والمزيد. بعد ذلك، لدينا برنامج Google Antigravity، وهو وكيل ترميز مزود ببيئة تطوير متكاملة تعمل على تسريع المسار من المطالبة إلى الإنتاج. يمكنك إنشاء مشاريع تطبيق كاملة بشكل تفاعلي وتعديل تفاصيل محددة عبر المطالبات الفردية. وهذا يشبه وجود مطور مبتدئ لا يمكنه البرمجة فحسب، بل يمكنه إنشاء المشكلات واختبارها ودمجها وإصلاحها. في العالم الحقيقي، يشبه هذا تعيين كهربائي: فهو جيد حقًا في وظيفة معينة وتحتاج فقط إلى منحه إمكانية الوصول إلى عنصر معين (صندوق التوصيل الكهربائي الخاص بك). وأخيرا، لدينا كلود العظيم. أدى إصدار Anthropic's Cowork، الذي يضم وكلاء الذكاء الاصطناعي لأتمتة المهام القانونية مثل مراجعة العقود وفرز NDA، إلى عمليات بيع حادة في أسهم التكنولوجيا القانونية والبرمجيات كخدمة (SaaS) (يشار إليها باسم SaaSpocalypse). لقد كان كلود على أية حال هو برنامج الدردشة الآلي المفضل؛ والآن مع Cowork، أصبح لديها معرفة بالمجال لصناعات محددة مثل الشؤون القانونية والمالية. هذا مثل تعيين محاسب. إنهم يعرفون المجال من الداخل إلى الخارج ويمكنهم إكمال الضرائب وإدارة الفواتير. يوفر المستخدمون وصولاً محددًا إلى التفاصيل المالية الحساسة للغاية. جعل هذه الأدوات تعمل لصالحك إن المفتاح لجعل هذه الأدوات أكثر تأثيرًا هو منحها المزيد من القوة، ولكن هذا يزيد من خطر سوء الاستخدام. يجب أن يثق المستخدمون في مقدمي خدمات مثل Anthorpic وGoogle للتأكد من أن مطالبات الوكيل لن تسبب ضررًا أو تسرب بيانات أو تقدم ميزة غير عادلة (غير قانونية) لبعض البائعين. OpenClaw هو برنامج مفتوح المصدر، مما يزيد الأمور تعقيدا، حيث لا توجد سلطة حاكمة مركزية. في حين أن هذه التطورات التكنولوجية مذهلة وتهدف إلى تحقيق الصالح العام، فإن كل ما يتطلبه الأمر هو حدث أو حدثان سلبيان لإثارة الذعر. تخيل أن الوكيل الكهربائي يقوم بقلي جميع دوائر منزلك عن طريق توصيل السلك الخطأ في سيناريو الوكيل، قد يكون ذلك عن طريق إدخال تعليمات برمجية غير صحيحة، أو تحطيم نظام أكبر، أو إضافة عيوب مخفية قد لا تكون واضحة على الفور. يمكن أن يفوت العمل الجماعي فرصًا كبيرة للادخار عند القيام بضرائب المستخدم؛ وعلى الجانب الآخر، يمكن أن يشمل ذلك عمليات شطب غير قانونية. يمكن لكلود أن يحدث ضررًا لا يمكن تصوره عندما يكون لديه المزيد من السيطرة والسلطة. ولكن في وسط هذه الفوضى، هناك فرصة للاستفادة منها حقًا. ومع وجود حواجز الحماية المناسبة، يمكن للوكلاء التركيز على إجراءات محددة وتجنب اتخاذ قرارات عشوائية غير محسوبة. إن مبادئ الذكاء الاصطناعي المسؤول - المساءلة، والشفافية، وقابلية التكرار، والأمن، والخصوصية - مهمة للغاية. تعتبر خطوات وكيل التسجيل والتأكيد البشري أمرًا بالغ الأهمية. وأيضًا، عندما يتعامل الوكلاء مع العديد من الأنظمة المتنوعة، فمن المهم أن يتحدثوا نفس اللغة. يصبح علم الوجود مهمًا للغاية بحيث يمكن تتبع الأحداث ومراقبتها وحسابها. يمكن للوجود المشترك الخاص بالمجال تحديد \"قواعد السلوك\". هذه الأخلاقيات يمكن أن تساعد في السيطرة على الفوضى. عند ربطها مع الثقة المشتركة وإطار الهوية الموزعة، يمكننا بناء أنظمة تمكن الوكلاء من القيام بعمل مفيد حقًا. عندما يتم تنفيذه بشكل صحيح، يمكن للنظام البيئي الوكيل أن يخفف العبء المعرفي البشري بشكل كبير ويمكّن القوى العاملة لدينا من أداء مهام عالية القيمة. سوف يستفيد البشر عندما يتعامل الوكلاء مع الأمور الدنيوية. داتاراج راو هو مهندس الابتكار والبحث والتطوير في شركة Persistent الأنظمة.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/orchestration\/how-massmutual-and-mass-general-brigham-turned-ai-pilot-sprawl-into",
            "title_en": "How MassMutual and Mass General Brigham turned AI pilot sprawl into production results",
            "summary_en": "Enterprise AI programs rarely fail because of bad ideas. More often, they get stuck in ungoverned pilot mode and never reach production. At a recent VentureBeat event, technology leaders from MassMutual and Mass General Brigham explained how they avoided that trap — and what the results look like when discipline replaces sprawl. At MassMutual, the results are concrete: 30% developer productivity gains, IT help desk resolution times reduced from 11 minutes to one, and customer service calls cut from 15 minutes to just one or two. “We're always starting with why do we care about this problem?” Sears Merritt, MassMutual’s head of enterprise technology and experience, said at the event. “If we solve the problem, how are we gonna know we solved it? And, how much value is associated with do",
            "body_en": "Enterprise AI programs rarely fail because of bad ideas. More often, they get stuck in ungoverned pilot mode and never reach production. At a recent VentureBeat event, technology leaders from MassMutual and Mass General Brigham explained how they avoided that trap — and what the results look like when discipline replaces sprawl. At MassMutual, the results are concrete: 30% developer productivity gains, IT help desk resolution times reduced from 11 minutes to one, and customer service calls cut from 15 minutes to just one or two. “We're always starting with why do we care about this problem?” Sears Merritt, MassMutual’s head of enterprise technology and experience, said at the event. “If we solve the problem, how are we gonna know we solved it? And, how much value is associated with doing that?” Defining metrics, establishing strong feedback loops MassMutual, a 175-year-old company serving millions of policy owners and customers, has pushed AI into production across the business — customer support, IT, customer acquisition, underwriting, servicing, claims, and other areas. Merritt said his team follows the scientific method, beginning with a hypothesis and testing whether it has an outcome that will tangibly drive the business forward. Some ideas are great, but they may be “intractable in the business” due to factors like lack of data or access, or regulatory constraint. “We won't go any further with an idea until we get crystal clear on how we're going to measure, and how we're going to define success.” Ultimately, it’s up to different departments and leaders to define what quality means: Choose a metric and define the minimum level of quality before a tool is placed into the hands of teams and partners. That starting point creates a quick feedback loop. “The things that we find slow us down is where there isn't shared clarity on what outcome we're trying to achieve,” which can lead to confusion and constant re-adjusting, said Merritt. “We don’t go to production until there is a business partner that says, ‘Yes, that works.’” His team is strategic about evaluating emerging tools, and “extremely rigorous” when testing and measuring what \"good\" means. For instance, they perform trust scoring to lower hallucination rates, establish thresholds and evaluation criteria, and monitor for feature and output drift. Merritt also operates with a no-commitment policy — meaning the company doesn’t lock itself into using a particular model. It has what he calls an “incredibly heterogeneous” technology environment combining best of breed models alongside mainframes running on COBOL. That flexibility isn't accidental. His team built common service layers, microservices and APIs that sit between the AI layer and everything underneath — so when a better model comes along, swapping it in doesn't mean starting over. Because, Merritt explained, “the best of breed today might be the worst of breed tomorrow, and we don't want to set ourselves up to fall behind.” Weeding instead of letting a thousand flowers bloom Mass General Brigham (MGB), for its part, took more of a spray and pray approach — at first. Around 15,000 researchers in the not-for-profit health system have been using AI, ML, and deep learning for the last 10 to 15 years, CTO Nallan “Sri” Sriraman said at the same VB event. But last year, he made a bold choice: His team shut down a sprawl of non-governed AI pilots. Initially, “we did follow the thousand flowers bloom [methodology], but we didn't have a thousand flowers, we had probably a few tens of flowers trying to bloom,” he said. Like Merritt’s team at MassMutual, MGB pivoted to a more holistic view, examining why they were developing certain tools for specific departments of workflows. They questioned what capabilities they wanted and needed and what investment those required. Sriraman's team also spoke with their primary platform providers — Epic, Workday, ServiceNow, Microsoft — about their roadmaps. This was a “pivotal moment,” he noted, as they realized they were building in-house tools that vendors were already providing (or were planning to roll out). As Sriraman put it: “Why are we building it ourselves? We are already on the platform. It is going to be in the workflow. Leverage it.” That said, the marketplace is still nascent, which can make for difficult decisions. “The analogy I will give is when you ask six blind men to touch an elephant and say, what does this elephant look like?” Sriraman said. “You're gonna get six different answers.” There's nothing wrong with that, he noted; it's just that everybody is discovering and experimenting as the landscape keeps shifting. Instead of a wild West environment, Sriraman’s team distributes Microsoft Copilot to users across the business, and uses a “small landing zone” where they can safely test more sophisticated products and control token use. They also began “consciously embedding AI champions“ across business groups. “This is kind of a reverse of letting a thousand flowers bloom, carefully planting and nourishing,” Sriraman said. Observability is another big consideration; he describes real-time dashboards that manage model drift and safety and allow IT teams to govern AI “a little more pragmatically.” Health monitoring is critical with AI systems, he noted, and his team has established principles and policies around AI use, not to mention least access privileges. In clinical settings, the guardrails are absolute: AI systems never issue the final decision. \"There's always going to be a doctor or a physician assistant in the loop to close the decision,\" Sriraman said. He cited radiology report generation as one area where AI is used heavily, but where a radiologist always signs off. Sriraman was clear: \"Thou shall not do this: Don't show PHI [protected health information] in Perplexity. As simple as that, right?\" And, importantly, there must be safety mechanisms in place. “We need a big red button, kill it,” Sriraman emphasized. “We don’t put anything in the operational setting without that.” Ultimately, while agentic AI is a transformative technology, the enterprise approach to it doesn’t have to be dramatically different. “There is nothing new about this,” Sriraman said. “You can replace the word BPM [business process management] from the '90s and 2000s with AI. The same concepts apply.”",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/2iCb0fHOqyn96tGusQG8Ft\/8ba9b4819a8197155bf4d1b1a2a6cb4d\/147_VentureBeats_RedHat_AISummitBoston_032626.jpg?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/orchestration\/how-massmutual-and-mass-general-brigham-turned-ai-pilot-sprawl-into",
            "date": "2026-04-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "كيف حولت MassMutual وMass General Brigham التوسع التجريبي للذكاء الاصطناعي إلى نتائج إنتاجية",
            "summary_ar": "نادرًا ما تفشل برامج الذكاء الاصطناعي للمؤسسات بسبب الأفكار السيئة. وفي كثير من الأحيان، يعلقون في الوضع التجريبي غير الخاضع للرقابة ولا يصلون إلى مرحلة الإنتاج أبدًا. وفي إحدى فعاليات VentureBeat الأخيرة، أوضح قادة التكنولوجيا من MassMutual وMass General Brigham كيف تجنبوا هذا الفخ - وكيف تبدو النتائج عندما يحل الانضباط محل الزحف العمراني. في MassMutual، كانت النتائج ملموسة: مكاسب إنتاجية للمطورين بنسبة 30%، وتقليل أوقات حل مكتب مساعدة تكنولوجيا المعلومات من 11 دقيقة إلى دقيقة واحدة، وتقليل مكالمات خدمة العملاء من 15 دقيقة إلى دقيقة أو اثنتين فقط. \"نحن نبدأ دائمًا بسؤال لماذا نهتم بهذه المشكلة؟\" وقال سيرز ميريت، رئيس تكنولوجيا المشاريع والخبرة في MassMutual، في هذا الحدث. \"إذا قمنا بحل المشكلة، فكيف سنعرف أننا حللناها؟ وما مقدار القيمة المرتبطة بها؟ يفعل",
            "body_ar": "نادرًا ما تفشل برامج الذكاء الاصطناعي للمؤسسات بسبب الأفكار السيئة. وفي كثير من الأحيان، يعلقون في الوضع التجريبي غير الخاضع للرقابة ولا يصلون إلى مرحلة الإنتاج أبدًا. وفي إحدى فعاليات VentureBeat الأخيرة، أوضح قادة التكنولوجيا من MassMutual وMass General Brigham كيف تجنبوا هذا الفخ - وكيف تبدو النتائج عندما يحل الانضباط محل الزحف العمراني. في MassMutual، كانت النتائج ملموسة: مكاسب إنتاجية للمطورين بنسبة 30%، وتقليل أوقات حل مكتب مساعدة تكنولوجيا المعلومات من 11 دقيقة إلى دقيقة واحدة، وتقليل مكالمات خدمة العملاء من 15 دقيقة إلى دقيقة أو اثنتين فقط. \"نحن نبدأ دائمًا بسؤال لماذا نهتم بهذه المشكلة؟\" وقال سيرز ميريت، رئيس تكنولوجيا المشاريع والخبرة في MassMutual، في هذا الحدث. \"إذا قمنا بحل المشكلة، فكيف سنعرف أننا حللناها؟ وما هي القيمة المرتبطة بفعل ذلك؟ \" من خلال تحديد المقاييس وإنشاء حلقات ردود فعل قوية، قامت MassMutual، وهي شركة عمرها 175 عامًا تخدم الملايين من أصحاب السياسات والعملاء، بدفع الذكاء الاصطناعي إلى الإنتاج عبر الأعمال - دعم العملاء، وتكنولوجيا المعلومات، واكتساب العملاء، والاكتتاب، والخدمة، والمطالبات، وغيرها من المجالات. وقال ميريت إن فريقه يتبع المنهج العلمي، بدءًا من الفرضية واختبار ما إذا كانت لها نتيجة من شأنها أن تدفع العمل بشكل ملموس إلى الأمام. بعض الأفكار رائعة، لكنها قد تكون \"عسيرة في العمل\" بسبب عوامل مثل نقص البيانات أو الوصول إليها، أو القيود التنظيمية. \"لن نذهب إلى أبعد من ذلك بفكرة ما حتى نصبح واضحين تمامًا بشأن كيفية قياسنا، وكيف سنحدد النجاح.\" في نهاية المطاف، يعود الأمر إلى الأقسام والقادة المختلفين لتحديد معنى الجودة: اختر مقياسًا وحدد الحد الأدنى لمستوى الجودة قبل وضع الأداة في أيدي الفرق والشركاء. تخلق نقطة البداية هذه حلقة ردود فعل سريعة. قال ميريت: \"إن الأشياء التي نجدها تبطئنا هي عدم وجود وضوح مشترك حول النتيجة التي نحاول تحقيقها\"، الأمر الذي يمكن أن يؤدي إلى الارتباك وإعادة التكيف المستمر. \"نحن لا نذهب إلى الإنتاج حتى يكون هناك شريك تجاري يقول: \"نعم، هذا ناجح\". ويتمتع فريقه باستراتيجية فيما يتعلق بتقييم الأدوات الناشئة، و\"صارم للغاية\" عند اختبار وقياس ما تعنيه كلمة \"جيد\". على سبيل المثال، يقومون بتسجيل الثقة لخفض معدلات الهلوسة، ووضع عتبات ومعايير التقييم، ومراقبة انحراف الميزات والمخرجات. تعمل شركة Merritt أيضًا بسياسة عدم الالتزام، مما يعني أن الشركة لا تقيد نفسها باستخدام نموذج معين. إنها تتمتع بما يسميه بيئة تقنية \"غير متجانسة بشكل لا يصدق\" تجمع بين أفضل النماذج جنبًا إلى جنب مع الحواسيب المركزية التي تعمل على COBOL. هذه المرونة ليست عرضية. قام فريقه ببناء طبقات خدمة مشتركة وخدمات صغيرة وواجهات برمجة التطبيقات التي تقع بين طبقة الذكاء الاصطناعي وكل شيء تحتها - لذا عندما يأتي نموذج أفضل، فإن تبديله لا يعني البدء من جديد. وأوضح ميريت أن \"أفضل السلالات اليوم قد يكون أسوأ السلالات غدًا، ونحن لا نريد أن نجعل أنفسنا نتخلف عن الركب\". من جانبها، اتخذت عملية إزالة الأعشاب الضارة بدلاً من ترك آلاف الزهور تتفتح، أسلوب الرش والصلاة – في البداية. قال CTO Nallan \"Sri\" Sriraman في نفس حدث VB إن حوالي 15000 باحث في النظام الصحي غير الهادف للربح يستخدمون الذكاء الاصطناعي والتعلم الآلي والتعلم العميق على مدار السنوات العشر إلى الخمس عشرة الماضية. لكن في العام الماضي، اتخذ خيارًا جريئًا: حيث أوقف فريقه مجموعة كبيرة من طياري الذكاء الاصطناعي غير الخاضعين للرقابة. وقال: \"في البداية، \"لقد اتبعنا [منهجية] تفتح الألف زهرة، ولكن لم يكن لدينا ألف زهرة، ربما كان لدينا بضع عشرات من الزهور التي تحاول أن تتفتح\". مثل فريق ميريت في MassMutual، ركزت MGB على رؤية أكثر شمولية، وفحصت سبب قيامهم بتطوير أدوات معينة لأقسام معينة من سير العمل. لقد تساءلوا عن القدرات التي يريدونها ويحتاجونها وما هو الاستثمار الذي تتطلبه تلك القدرات. تحدث فريق Sriraman أيضًا مع موفري الأنظمة الأساسية الأساسيين لديهم - Epic، وWorkday، وServiceNow، وMicrosoft - حول خرائط الطريق الخاصة بهم. وأشار إلى أن هذه كانت \"لحظة محورية\"، حيث أدركوا أنهم كانوا يبنون أدوات داخلية كان البائعون يقدمونها بالفعل (أو كانوا يخططون لطرحها). وكما قال سريرامان: \"لماذا نبنيه بأنفسنا؟ نحن موجودون بالفعل على المنصة. سيكون ضمن سير العمل. استفد منه\". ومع ذلك، فإن السوق لا يزال ناشئًا، مما قد يؤدي إلى اتخاذ قرارات صعبة. \"التشبيه الذي سأقدمه هو عندما تطلب من ستة رجال عميان أن يلمسوا فيلًا ويقولوا، كيف يبدو هذا الفيل؟\" قال سريرامان. \"سوف تحصل على ستة إجابات مختلفة.\" وأشار إلى أنه لا حرج في ذلك. كل ما في الأمر هو أن الجميع يكتشفون ويجربون مع استمرار تغير المشهد. بدلاً من بيئة الغرب المتوحش، يقوم فريق Sriraman بتوزيع Microsoft Copilot على المستخدمين في جميع أنحاء الشركة، ويستخدم \"منطقة هبوط صغيرة\" حيث يمكنهم اختبار المنتجات الأكثر تطوراً بأمان والتحكم في استخدام الرمز المميز. كما بدأوا أيضًا في \"دمج أبطال الذكاء الاصطناعي بوعي\" عبر مجموعات الأعمال. وقال سريرامان: \"هذا نوع من العكس من ترك آلاف الزهور تتفتح، وتزرع بعناية وتغذي\". تعتبر إمكانية الملاحظة أحد الاعتبارات الكبيرة الأخرى؛ وهو يصف لوحات المعلومات في الوقت الفعلي التي تدير انحراف النماذج والسلامة وتسمح لفرق تكنولوجيا المعلومات بالتحكم في الذكاء الاصطناعي \"بشكل أكثر عملية قليلاً\". وأشار إلى أن مراقبة الصحة أمر بالغ الأهمية مع أنظمة الذكاء الاصطناعي، وقد وضع فريقه مبادئ وسياسات حول استخدام الذكاء الاصطناعي، ناهيك عن أقل امتيازات الوصول. في البيئات السريرية، تكون حواجز الحماية مطلقة: فأنظمة الذكاء الاصطناعي لا تصدر أبدًا القرار النهائي. وقال سريرامان: \"سيكون هناك دائمًا طبيب أو مساعد طبيب في الحلقة لإغلاق القرار\". وأشار إلى إعداد تقارير الأشعة باعتباره أحد المجالات التي يتم فيها استخدام الذكاء الاصطناعي بكثافة، ولكن حيث يوقع أخصائي الأشعة دائمًا. كان سريرامان واضحًا: \"لا يجوز لك أن تفعل هذا: لا تُظهر PHI [المعلومات الصحية المحمية] في حالة من الحيرة. بهذه البساطة، أليس كذلك؟\" والأهم من ذلك أنه يجب أن تكون هناك آليات للسلامة. وأكد سريرامان: \"نحتاج إلى زر أحمر كبير، اقتله\". \"نحن لا نضع أي شيء في الإعداد التشغيلي دون ذلك.\" في نهاية المطاف، على الرغم من أن الذكاء الاصطناعي الوكيل يمثل تقنية تحويلية، إلا أنه لا يجب أن يكون نهج المؤسسة تجاهه مختلفًا بشكل كبير. وقال سريرامان: “لا يوجد شيء جديد في هذا الأمر”. \"يمكنك استبدال كلمة BPM [إدارة عمليات الأعمال] التي كانت موجودة في التسعينيات والعقد الأول من القرن الحادي والعشرين بكلمة AI. نفس المفاهيم يتقدم.\"",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/data\/block-introduces-managerbot-a-proactive-square-ai-agent-and-the-clearest",
            "title_en": "Block introduces Managerbot, a proactive Square AI agent and the clearest proof point yet for Jack Dorsey’s AI bet",
            "summary_en": "Block today announced Managerbot , a new AI agent embedded in the Square platform that proactively monitors a seller's business, identifies emerging problems, and proposes actionable solutions — without the seller ever having to ask a question. The product marks the most tangible manifestation of CEO Jack Dorsey's controversial bet that artificial intelligence can fundamentally reshape how his company operates, builds products, and serves the millions of small businesses that depend on Square to run day-to-day commerce. In an exclusive interview with VentureBeat, Willem Avé , Block's head of product at Square, described Managerbot as a decisive break from the company's earlier Square AI assistant, which functioned as a reactive chatbot that answered seller questions abo",
            "body_en": "Block today announced Managerbot , a new AI agent embedded in the Square platform that proactively monitors a seller's business, identifies emerging problems, and proposes actionable solutions — without the seller ever having to ask a question. The product marks the most tangible manifestation of CEO Jack Dorsey's controversial bet that artificial intelligence can fundamentally reshape how his company operates, builds products, and serves the millions of small businesses that depend on Square to run day-to-day commerce. In an exclusive interview with VentureBeat, Willem Avé , Block's head of product at Square, described Managerbot as a decisive break from the company's earlier Square AI assistant, which functioned as a reactive chatbot that answered seller questions about sales, employees, and business performance. \"The big shift from Square AI to Managerbot is really from reactive to proactive,\" Avé said. \"What that means is the primary interface is not a question box. You assign tasks to Managerbot, and that could be based on data, an insight, or a signal from your business.\" The product is beginning to roll out now, with full availability to Square sellers expected over the coming months. Block declined to say whether Managerbot would carry an additional fee or be bundled into existing Square subscriptions. How Managerbot predicts inventory shortages, optimizes schedules, and writes marketing campaigns on its own Avé outlined three core domains where Managerbot operates today: inventory forecasting , employee shift scheduling , and automated marketing campaign creation . In every case, the agent acts before the seller does — watching over the business, detecting patterns, and surfacing recommendations with proposed actions attached. In the inventory domain, Managerbot continuously monitors a seller's stock levels, sales velocity, and external signals such as weather patterns and local events, then alerts the seller when an item is about to run out — or when it should stock up ahead of anticipated demand. \"In warmer weather, we can see that you sell more of a certain good,\" Avé explained. \"That's the forecasting capability, combined with local data — weather, events — so we can help sellers manage both their inventory and cash flows.\" For shift scheduling — a task that Avé described as \"one of those interesting, very hard computer science problems\" that consumes hours of a small business owner's week — Managerbot analyzes forecasted sales data and then generates optimized employee schedules that balance worker preferences with coverage needs. \"It turns out that frontier models are actually pretty good at it,\" Avé said. The third capability tackles what Avé called \"the whole bucket of things that sellers could do if they had more time\" — principally marketing. Managerbot identifies sales trends across a seller's catalog and automatically drafts win-back campaigns and promotional outreach targeted at a store's best customer segments. Avé said Block is seeing \"very meaningful lift\" from Managerbot-generated campaigns compared to what some sellers create manually, though he declined to share specific performance figures publicly. Block built Managerbot on frontier AI models from OpenAI and Anthropic — but says the real innovation is underneath Managerbot runs on third-party frontier models — Avé specifically referenced Anthropic's Sonnet and OpenAI's GPT family — but Block's competitive advantage, he argued, lies in the \"agent harness\" the company has built around those models. That harness draws heavily on Goose , Block's open-source agent framework, and incorporates learnings from its consumer-facing Money Bot on Cash App . The challenge specific to Square is scale and complexity. A seller running a small business might interact with hundreds of different tools across invoicing, inventory, customer management, marketing, payroll, and scheduling. Managerbot must navigate all of them coherently within a single agentic loop. \"This isn't like, you know, you load a skill and call it a day — think about hundreds of skills,\" Avé said. \"Actually, managing the context and managing the way that we progressively disclose tools, and some of the other innovation that we have at the harness layer, is I think some of the secret sauce.\" A critical design decision shapes every interaction: Managerbot does not autonomously execute changes to a seller's business. Every write action — whether adjusting a shift schedule, publishing a marketing campaign, or modifying inventory — requires explicit seller approval. To facilitate that approval, Managerbot generates visual UI previews showing exactly what will change before the seller clicks \"yes.\" \"We want to earn trust with sellers, so any write action is prompted to the user to approve,\" Avé said. \"The seller needs a visual representation of what the change is. You can't just describe in words all the time what you're going to go do.\" An $80 million fine and chatbot blunders hang over Block's push to automate financial recommendations That human-in-the-loop caution reflects a sensitivity that gains additional weight given Block's recent history. In January 2025, 48 state financial regulators imposed an $80 million fine on Block for violations of Bank Secrecy Act and anti-money laundering laws related to Cash App. The Connecticut Department of Banking stated in announcing the settlement that regulators \"found Block was not in compliance with certain requirements, creating the potential that its services could be used to support money laundering, terrorism financing, or other illegal activities.\" The Illinois Department of Financial and Professional Regulation simultaneously joined the coordinated enforcement action. Separately, reporting from The Guardian has documented instances of Block's customer-facing chatbots making serious errors , including telling customers to cancel or close their accounts. When VentureBeat raised this concern during the interview, Avé acknowledged the stakes but redirected to Managerbot's specific safeguards. \"Financial accuracy and financial data — the value of these products really come from recommendations,\" Avé said. \"We need to be better than whatever you can feed to ChatGPT. If you take a CSV of your sales and put it in ChatGPT or Claude, we need our product to be better and answer that question either more accurately or better than what's available in the market.\" He pointed to the harness layer's role in reducing hallucinations through tuning, prompt engineering, and optimized tool-call loops, while acknowledging the inherent limitations of probabilistic systems: \"It's never going to be zero. Obviously, these are probabilistic systems, and we have guidance and call-outs in the tool to provide that.\" On regulated domains like lending and payments, Avé was more definitive: \"In any sort of regulated domains — banking, lending, payments — there are strict guardrails on what we can and can't say to sellers. Those are just part of the product and business.\" Dorsey cut 4,000 jobs in the name of AI — Managerbot is the first answer to what those tools are actually building It is impossible to evaluate Managerbot outside the context of the radical organizational surgery Block performed just weeks ago. In late February, Dorsey announced that Block would cut more than 4,000 of its roughly 10,000 employees — nearly half the workforce — explicitly citing AI as the driving rationale. As the BBC reported , Dorsey wrote that \"AI fundamentally changes what it means to build and run a company.\" Block's stock surged more than 20 percent on the news, according to ABC7. The company's Q4 2025 earnings report , released alongside the layoff announcement, showed gross profit of $2.87 billion — up 24 percent year over year — and raised 2026 guidance to $12.2 billion in gross profit, according to AlphaSense's earnings analysis . Block also reported a greater than 40 percent increase in production code shipped per engineer since September 2025 through the use of agentic coding tools. As CNBC commentator Steve Sedgwick wrote in an opinion piece following the announcement, \"I keep getting told on CNBC that AI will create new jobs to replace those being lost. I've been asking the same question for years now.\" The Observer's Mark Minevich was more pointed , calling Block's layoffs \"probably the first legitimate mass layoff driven by A.I. as the actual operating thesis.\" Managerbot , then, is the product answer to the obvious follow-up question: if Block shed 4,000 workers in the name of intelligence tools, what exactly are those intelligence tools building? Avé framed the product as proof of concept for Block's entire strategic thesis. \"Block has been in the press recently about rebuilding as an intelligence company, and it's like, a lot of people are asking, 'What does that mean for us?'\" Avé said. \"What I like to do is show, not tell. We're building Managerbot, which I think is one of the more advanced, maybe the most advanced, small business agent out there today.\" Sellers who use Managerbot are consolidating their businesses onto Square — and that may be the real strategic payoff Perhaps the most consequential signal Avé shared was an early behavioral pattern: sellers who begin using Managerbot are voluntarily migrating more of their business operations onto the Square platform, consolidating payroll, time cards, and shift scheduling into Block's ecosystem to feed the agent more data. \"When they start interacting with Managerbot, they want to move more of their business onto Square because they see the value,\" Avé said. \"They're like, 'I should put my payroll here. I should get time cards here. I should get my shift schedules here,' because once all that data is in one place, they can make better decisions and manage their business better.\" This dynamic could prove to be Managerbot's most significant long-term effect — not as a standalone feature, but as a gravitational force pulling sellers deeper into Block's integrated commerce stack. Block's Q4 earnings already showed Square's new volume added grew 29 percent year over year, with sales-led NVA surging 62 percent. Avé also argued that Square's first-party architecture — built organically rather than through acquisitions — gives it a structural advantage over competitors in the AI era. \"We've kind of harmonized and canonicalized this data at a sensible layer,\" he said. \"It's not super hard to create more skills for these data domains.\" When VentureBeat pressed Avé on the tension between helping sellers and upselling them on Block's own financial products — lending, payments processing, and other services that generate revenue for the company — he acknowledged the concern but framed Managerbot's mission in terms of decision-making quality. \"The goal for Managerbot is to help sellers increase their decision-making correctness,\" Avé said. \"If we can make sellers better at running their business by making better decisions and giving time back, I think that's a good thing.\" Block says Managerbot isn't a chatbot — it's a business protector that compounds the company's entire AI strategy Avé was insistent that Managerbot represents something categorically different from the chatbot-as-advisor model that has proliferated across enterprise software. \"A lot of people are building chatbots as advisors — it can answer a question for you,\" he said. \"What we really want Managerbot to be is a protector of your business. This is identifying trends. This is spotting things that you might have missed. This is helping you run your business and take actions.\" He also argued that the agent model compounds Block's development velocity in ways that traditional software cannot match. \"It's much more straightforward to add a capability to Managerbot than it is to build a big Web 2.0 UI,\" Avé said. \"If we can deliver more capabilities, more features, more value to our sellers, the whole system compounds.\" Whether that compounding materializes — and whether sellers ultimately experience Managerbot as a trusted protector or a sophisticated upsell engine — will determine much about Block's future. The company has staked its corporate identity, its headcount, and its Wall Street narrative on the conviction that AI agents can deliver more value with fewer humans in the loop. Managerbot is the first product to carry the full weight of that promise. And the small business owners who keep their shops open with Square terminals, who juggle shift schedules on napkins and skip marketing because there aren't enough hours in the day — they didn't ask to be the test case for Silicon Valley's boldest AI thesis. But as of today, they are.",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/6zNqH1MY0JDez3yEqPyEHn\/d0336c111d8154186121d05f78707ff6\/nuneybits_Vector_art_of_the_Square_payments_system_point_of_sal_a0eb242e-be13-4204-9d6c-b1be02025525.webp?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/data\/block-introduces-managerbot-a-proactive-square-ai-agent-and-the-clearest",
            "date": "2026-04-07",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "تقدم Block Managerbot، وهو وكيل Square AI الاستباقي وأوضح نقطة إثبات حتى الآن لرهان الذكاء الاصطناعي الخاص بـ Jack Dorsey",
            "summary_ar": "أعلنت Block اليوم عن Managerbot، وهو وكيل جديد للذكاء الاصطناعي مضمن في منصة Square والذي يراقب بشكل استباقي أعمال البائع، ويحدد المشكلات الناشئة، ويقترح حلولاً قابلة للتنفيذ - دون أن يضطر البائع إلى طرح سؤال. يمثل المنتج المظهر الأكثر وضوحًا لرهان الرئيس التنفيذي جاك دورسي المثير للجدل بأن الذكاء الاصطناعي يمكن أن يعيد تشكيل كيفية عمل شركته بشكل أساسي، وبناء المنتجات، وخدمة ملايين الشركات الصغيرة التي تعتمد على Square لإدارة التجارة اليومية. في مقابلة حصرية مع VentureBeat، وصف ويليم آفي، رئيس منتجات Block في Square، Managerbot بأنه انفصال حاسم عن مساعد Square AI السابق للشركة، والذي كان بمثابة برنامج دردشة تفاعلي يجيب على أسئلة البائع. أبو",
            "body_ar": "أعلنت Block اليوم عن Managerbot، وهو وكيل جديد للذكاء الاصطناعي مضمن في منصة Square والذي يراقب بشكل استباقي أعمال البائع، ويحدد المشكلات الناشئة، ويقترح حلولاً قابلة للتنفيذ - دون أن يضطر البائع إلى طرح سؤال. يمثل المنتج المظهر الأكثر وضوحًا لرهان الرئيس التنفيذي جاك دورسي المثير للجدل بأن الذكاء الاصطناعي يمكن أن يعيد تشكيل كيفية عمل شركته بشكل أساسي، وبناء المنتجات، وخدمة ملايين الشركات الصغيرة التي تعتمد على Square لإدارة التجارة اليومية. في مقابلة حصرية مع VentureBeat، وصف ويليم آفي، رئيس منتج Block في Square، Managerbot بأنه انفصال حاسم عن مساعد Square AI السابق للشركة، والذي كان بمثابة chatbot تفاعلي يجيب على أسئلة البائع حول المبيعات والموظفين وأداء الأعمال. قال Avé: \"إن التحول الكبير من Square AI إلى Managerbot هو في الواقع من رد الفعل إلى الاستباقي\". \"ما يعنيه ذلك هو أن الواجهة الأساسية ليست مربع أسئلة. تقوم بتعيين المهام إلى Managerbot، ويمكن أن يعتمد ذلك على بيانات أو رؤية أو إشارة من عملك.\" بدأ المنتج في طرحه الآن، مع توقع توفره الكامل لبائعي Square خلال الأشهر المقبلة. ورفض Block تحديد ما إذا كان Managerbot سيحمل رسومًا إضافية أو سيتم تجميعه في اشتراكات Square الحالية. كيف يتنبأ Managerbot بنقص المخزون، ويحسن الجداول الزمنية، ويكتب الحملات التسويقية بنفسه، حددت Avé ثلاثة مجالات أساسية يعمل فيها Managerbot اليوم: التنبؤ بالمخزون، وجدولة نوبات الموظفين، وإنشاء حملات تسويقية آلية. في كل حالة، يتصرف الوكيل قبل أن يفعل البائع - مراقبة الأعمال، والكشف عن الأنماط، وعرض التوصيات مع الإجراءات المقترحة المرفقة. في مجال المخزون، يراقب Managerbot باستمرار مستويات مخزون البائع وسرعة المبيعات والإشارات الخارجية مثل أنماط الطقس والأحداث المحلية، ثم ينبه البائع عندما يكون أحد العناصر على وشك النفاد - أو عندما يجب تخزينه قبل الطلب المتوقع. وأوضح آفي: \"في الطقس الأكثر دفئًا، يمكننا أن نرى أنك تبيع المزيد من سلعة معينة\". \"هذه هي القدرة على التنبؤ، جنبًا إلى جنب مع البيانات المحلية - الطقس والأحداث - حتى نتمكن من مساعدة البائعين على إدارة مخزونهم وتدفقاتهم النقدية.\" بالنسبة لجدولة الورديات - وهي مهمة وصفها Avé بأنها \"واحدة من مشكلات علوم الكمبيوتر المثيرة للاهتمام والصعبة للغاية\" والتي تستهلك ساعات من أسبوع مالك الشركة الصغيرة - يقوم Managerbot بتحليل بيانات المبيعات المتوقعة ثم إنشاء جداول زمنية محسنة للموظفين تعمل على تحقيق التوازن بين تفضيلات العمال واحتياجات التغطية. وقال آفي: \"اتضح أن النماذج الحدودية جيدة جدًا في هذا الأمر\". وتتناول القدرة الثالثة ما أسماه آفي \"مجموعة كاملة من الأشياء التي يمكن للبائعين القيام بها إذا كان لديهم المزيد من الوقت\" - التسويق بشكل أساسي. يحدد Managerbot اتجاهات المبيعات عبر كتالوج البائع ويقوم تلقائيًا بصياغة حملات الاسترداد والتواصل الترويجي الذي يستهدف أفضل شرائح العملاء في المتجر. قال Avé إن Block يشهد \"تحسينًا مفيدًا للغاية\" من الحملات التي ينشئها Managerbot مقارنة بما ينشئه بعض البائعين يدويًا، على الرغم من رفضه مشاركة أرقام أداء محددة علنًا. قام Block ببناء Managerbot على نماذج الذكاء الاصطناعي الحدودية من OpenAI وAnthropic - لكنه يقول إن الابتكار الحقيقي يكمن في تشغيل Managerbot على نماذج الحدود الخارجية - أشار Avé على وجه التحديد إلى Anthropic's Sonnet وعائلة GPT من OpenAI - ولكن الميزة التنافسية لـ Block، كما قال، تكمن في \"تسخير الوكيل\" الذي بنته الشركة حول هذه النماذج. يعتمد هذا الحزام بشكل كبير على Goose، إطار عمل الوكيل مفتوح المصدر الخاص بـ Block، ويتضمن الدروس المستفادة من Money Bot الذي يواجه المستهلك على تطبيق Cash. التحدي الخاص بـ Square هو الحجم والتعقيد. قد يتفاعل البائع الذي يدير شركة صغيرة مع مئات الأدوات المختلفة عبر الفواتير والمخزون وإدارة العملاء والتسويق وكشوف المرتبات والجدولة. يجب على Managerbot التنقل بينها جميعًا بشكل متماسك ضمن حلقة وكيلة واحدة. قال آفي: \"هذا لا يعني أنك تقوم بتحميل مهارة ثم تستدعيها يوميًا - فكر في مئات المهارات\". \"في الواقع، أعتقد أن إدارة السياق وإدارة الطريقة التي نكشف بها تدريجيًا عن الأدوات، وبعض الابتكارات الأخرى التي لدينا في طبقة التسخير، هي بعض من الخلطة السرية.\" يشكل قرار التصميم الحاسم كل تفاعل: لا يقوم Managerbot بتنفيذ التغييرات بشكل مستقل على أعمال البائع. يتطلب كل إجراء كتابة - سواء تعديل جدول المناوبة، أو نشر حملة تسويقية، أو تعديل المخزون - موافقة صريحة من البائع. لتسهيل هذه الموافقة، يقوم Managerbot بإنشاء معاينات مرئية لواجهة المستخدم توضح بالضبط ما سيتغير قبل أن ينقر البائع على \"نعم\". قال Avé: \"نريد كسب ثقة البائعين، لذلك تتم مطالبة المستخدم بالموافقة على أي إجراء كتابة\". \"يحتاج البائع إلى تمثيل مرئي لماهية التغيير. \"لا يمكنك فقط أن تصف بالكلمات طوال الوقت ما ستفعله.\" غرامة قدرها 80 مليون دولار وأخطاء في برامج الدردشة تخيم على جهود Block لأتمتة التوصيات المالية. يعكس هذا الحذر البشري حساسية تكتسب وزنًا إضافيًا نظرًا لتاريخ Block الحديث. في يناير 2025، فرضت 48 هيئة تنظيمية مالية حكومية غرامة قدرها 80 مليون دولار على Block بسبب انتهاكات قانون السرية المصرفية وقوانين مكافحة غسيل الأموال المتعلقة بالتطبيق النقدي. ذكرت إدارة كونيتيكت المصرفية في إعلانها عن التسوية أن المنظمين \"وجدوا أن Block لم تكن ممتثلة لمتطلبات معينة، مما يخلق احتمال استخدام خدماتها لدعم غسيل الأموال أو تمويل الإرهاب أو غيرها من الأنشطة غير القانونية.\" انضمت إدارة التنظيم المالي والمهني في إلينوي في نفس الوقت إلى إجراءات الإنفاذ المنسقة. بشكل منفصل، وثقت التقارير الواردة من صحيفة الغارديان حالات ارتكبت فيها روبوتات الدردشة التي تواجه العملاء في Block أخطاء جسيمة، بما في ذلك إخبار العملاء بإلغاء حساباتهم أو إغلاقها. عندما أثارت VentureBeat هذا القلق خلال المقابلة، أقرت Avé بالمخاطر ولكنها أعادت توجيهها إلى إجراءات الحماية المحددة الخاصة بـ Managerbot. قال آفي: \"الدقة المالية والبيانات المالية - قيمة هذه المنتجات تأتي حقًا من التوصيات\". \"نحن بحاجة إلى أن نكون أفضل من أي شيء يمكنك تقديمه إلى ChatGPT. إذا أخذت ملف CSV لمبيعاتك ووضعته في ChatGPT أو Claude، فنحن بحاجة إلى أن يكون منتجنا أفضل وأن يجيب على هذا السؤال إما بشكل أكثر دقة أو أفضل مما هو متاح في السوق.\" وأشار إلى دور طبقة الحزام في تقليل الهلوسة من خلال الضبط والهندسة السريعة وحلقات استدعاء الأدوات المحسنة، مع الاعتراف بالقيود المتأصلة في الأنظمة الاحتمالية: \"لن تكون صفرًا أبدًا. من الواضح أن هذه أنظمة احتمالية، ولدينا إرشادات واستدعاءات في الأداة لتوفير ذلك.\" وفيما يتعلق بالمجالات المنظمة مثل الإقراض والمدفوعات، كان آفي أكثر تحديدًا: \"في أي نوع من المجالات المنظمة - الأعمال المصرفية والإقراض والمدفوعات - هناك حواجز حماية صارمة بشأن ما يمكننا وما لا يمكننا قوله للبائعين. هذه مجرد جزء من المنتج والأعمال.\" قام Dorsey بإلغاء 4000 وظيفة باسم الذكاء الاصطناعي - Managerbot هو الإجابة الأولى على ما تبنيه هذه الأدوات بالفعل. من المستحيل تقييم Managerbot خارج سياق الجراحة التنظيمية الجذرية التي أجراها Block قبل أسابيع فقط. في أواخر فبراير، أعلن Dorsey أن Block ستخفض أكثر من 4000 من موظفيها البالغ عددهم حوالي 10000 - ما يقرب من نصف القوى العاملة - مستشهدة صراحةً بالذكاء الاصطناعي باعتباره الأساس المنطقي الدافع. وكما ذكرت هيئة الإذاعة البريطانية (بي بي سي)، كتب دورسي أن \"الذكاء الاصطناعي يغير بشكل أساسي ما يعنيه بناء شركة وإدارتها\". ارتفع سهم Block بأكثر من 20 بالمائة بعد الأخبار، وفقًا لـ ABC7. أظهر تقرير أرباح الشركة للربع الرابع من عام 2025، والذي تم إصداره جنبًا إلى جنب مع إعلان تسريح العمال، إجمالي ربح قدره 2.87 مليار دولار - بزيادة 24 بالمائة على أساس سنوي - ورفع توجيهات عام 2026 إلى 12.2 مليار دولار من إجمالي الربح، وفقًا لتحليل أرباح AlphaSense. كما أبلغت Block أيضًا عن زيادة بنسبة تزيد عن 40 بالمائة في كود الإنتاج الذي تم شحنه لكل مهندس منذ سبتمبر 2025 من خلال استخدام أدوات الترميز الوكيل. وكما كتب ستيف سيدجويك، معلق قناة سي إن بي سي، في مقال رأي بعد الإعلان، \"يُقال لي باستمرار على قناة سي إن بي سي أن الذكاء الاصطناعي سيخلق وظائف جديدة لتحل محل الوظائف المفقودة. لقد كنت أطرح نفس السؤال لسنوات حتى الآن.\" وكان مارك مينيفيتش من صحيفة الأوبزرفر أكثر وضوحًا، واصفًا عمليات تسريح العمال التي قام بها بلوك بأنها \"ربما تكون أول عملية تسريح جماعي مشروعة يقودها الذكاء الاصطناعي. باعتبارها أطروحة التشغيل الفعلية.\" إذن، Managerbot هو المنتج الذي يجيب على سؤال المتابعة الواضح: إذا تخلت شركة Block عن 4000 عامل باسم أدوات الاستخبارات، فما الذي ستبنيه أدوات الاستخبارات هذه بالضبط؟ لقد صاغت Avé المنتج كدليل على مفهوم أطروحة Block الإستراتيجية بأكملها. قالت Avé: \"لقد كانت Block في الصحافة مؤخرًا حول إعادة البناء كشركة استخبارات، ويبدو أن الكثير من الناس يتساءلون: ماذا يعني ذلك بالنسبة لنا؟\". \"ما أحب أن أفعله هو أن أعرض، وليس أن أقول. نحن نبني Managerbot، والذي أعتقد أنه أحد وكلاء الأعمال الصغيرة الأكثر تقدمًا، وربما الأكثر تقدمًا اليوم. تحويل الجدولة إلى النظام البيئي الخاص بـ Block لتزويد الوكيل بمزيد من البيانات. قال Avé: \"عندما يبدأون في التفاعل مع Managerbot، فإنهم يريدون نقل المزيد من أعمالهم إلى Square لأنهم يرون القيمة\". \"إنهم يقولون: \"يجب أن أضع كشوف راتبي هنا. يجب أن أحصل على بطاقات الوقت هنا.\" يجب أن أحصل على جداول الورديات الخاصة بي هنا، لأنه بمجرد وجود كل هذه البيانات في مكان واحد، يمكنهم اتخاذ قرارات أفضل وإدارة أعمالهم بشكل أفضل.\" يمكن أن تكون هذه الديناميكية هي التأثير الأكثر أهمية على المدى الطويل لـ Managerbot - ليس كميزة مستقلة، ولكن كقوة جاذبية تسحب البائعين بشكل أعمق إلى مجموعة التجارة المتكاملة في Block. أظهرت أرباح Block في الربع الرابع بالفعل أن الحجم الجديد المضافة لشركة Square ارتفع بنسبة 29 بالمائة على أساس سنوي، مع ارتفاع NVA بقيادة المبيعات بنسبة 62 بالمائة. جادل آفي أيضًا بأن بنية الطرف الأول لشركة Square - التي تم بناؤها بشكل عضوي وليس من خلال عمليات الاستحواذ - تمنحها ميزة هيكلية على المنافسين في عصر الذكاء الاصطناعي. وقال: \"لقد قمنا بمواءمة هذه البيانات وتصنيفها على مستوى معقول\". \"ليس من الصعب جدًا إنشاء المزيد من المهارات في مجالات البيانات هذه.\" عندما ضغطت شركة VentureBeat على Avé بشأن التوتر القائم بين مساعدة البائعين والارتقاء بمبيعاتهم على المنتجات المالية الخاصة بشركة Block - مثل الإقراض ومعالجة المدفوعات وغيرها من الخدمات التي تدر إيرادات للشركة - أقر بهذا القلق ولكنه وضع إطارًا لمهمة Managerbot فيما يتعلق بجودة اتخاذ القرار. قال Avé: \"الهدف من Managerbot هو مساعدة البائعين على زيادة دقة اتخاذ القرار لديهم\". \"إذا تمكنا من جعل البائعين أفضل في إدارة أعمالهم من خلال اتخاذ قرارات أفضل وإعادة الوقت، فأعتقد أن هذا أمر جيد.\" يقول بلوك إن Managerbot ليس chatbot - إنه حامي أعمال يضاعف استراتيجية الذكاء الاصطناعي للشركة بأكملها. كان Avé يصر على أن Managerbot يمثل شيئًا مختلفًا تمامًا عن نموذج chatbot كمستشار الذي انتشر عبر برامج المؤسسات. وقال: \"يقوم الكثير من الأشخاص ببناء روبوتات الدردشة كمستشارين - يمكنها الإجابة على سؤال لك\". \"ما نريده حقًا أن يكون Managerbot هو حامي أعمالك. وهذا هو تحديد الاتجاهات. وهذا هو اكتشاف الأشياء التي ربما فاتتك. وهذا يساعدك في إدارة عملك واتخاذ الإجراءات.\" كما جادل أيضًا بأن نموذج الوكيل يضاعف سرعة تطوير Block بطرق لا يمكن للبرامج التقليدية مطابقتها. وقال Avé: \"إن إضافة إمكانية إلى Managerbot أسهل بكثير من إنشاء واجهة مستخدم Web 2.0 كبيرة\". \"إذا تمكنا من تقديم المزيد من القدرات، والمزيد من الميزات، والمزيد من القيمة لبائعينا، فإن النظام بأكمله يتراكم.\" وسواء تحقق هذا المركب - وما إذا كان البائعون سيختبرون Managerbot في نهاية المطاف باعتباره حاميًا موثوقًا به أو محركًا متطورًا لزيادة المبيعات - فسوف يحدد الكثير عن مستقبل Block. لقد راهنت الشركة على هويتها المؤسسية، وعدد موظفيها، وروايتها في وول ستريت على أساس الاقتناع بأن عملاء الذكاء الاصطناعي يمكنهم تقديم قيمة أكبر مع وجود عدد أقل من البشر في الحلقة. Managerbot هو المنتج الأول الذي يحمل الثقل الكامل لهذا الوعد. وأصحاب الأعمال الصغيرة الذين يبقون متاجرهم مفتوحة باستخدام محطات Square، والذين يتنقلون بين جداول المناوبات على المناديل ويتخطون التسويق لأنه لا توجد ساعات كافية في اليوم - لم يطلبوا أن يكونوا حالة اختبار لأطروحة الذكاء الاصطناعي الأكثر جرأة في وادي السيليكون. ولكن اعتبارا من اليوم، فإنهم نكون.",
            "category_ar": "أخبار الذكاء الاصطناعي"
        },
        {
            "id": "https:\/\/venturebeat.com\/security\/ai-agents-that-automatically-prevent-detect-and-fix-software-issues-are-here",
            "title_en": "AI agents that automatically prevent, detect and fix software issues are here as NeuBird AI launches Falcon, FalconClaw",
            "summary_en": "The mantra of the modern tech industry was arguably coined by Facebook (before it became Meta): \"move fast and break things.\" But as enterprise infrastructure has shifted into a dizzying maze of hybrid clouds, microservices, and ephemeral compute clusters, the \"breaking\" part has become a structural tax that many organizations can no longer afford to pay. Today, two-year-old startup NeuBird AI is launching a full-scale offensive against this \"chaos tax,\" announcing a $19.3 million funding round alongside the release of its Falcon autonomous production operations agent. The launch isn't just a product update; it is a philosophical pivot. For years, the industry has focused on \"Incident Response\"—making the fire trucks faster and the hoses bigger. NeuBird AI is arguing that the only sus",
            "body_en": "The mantra of the modern tech industry was arguably coined by Facebook (before it became Meta): \"move fast and break things.\" But as enterprise infrastructure has shifted into a dizzying maze of hybrid clouds, microservices, and ephemeral compute clusters, the \"breaking\" part has become a structural tax that many organizations can no longer afford to pay. Today, two-year-old startup NeuBird AI is launching a full-scale offensive against this \"chaos tax,\" announcing a $19.3 million funding round alongside the release of its Falcon autonomous production operations agent. The launch isn't just a product update; it is a philosophical pivot. For years, the industry has focused on \"Incident Response\"—making the fire trucks faster and the hoses bigger. NeuBird AI is arguing that the only sustainable path forward is \"Incident Avoidance\". As Venkat Ramakrishnan, President and COO of NeuBird AI, put it in a recent interview: \"Incident management is so old school. Incident resolution is so old school. Incident avoidance is what is going to be enabled by AI\". By grounding AI in real-time enterprise context rather than just large language model reasoning, the company aims to move site reliability engineering and devops teams from a reactive posture to a predictive one. The AI divide: a reality check on automation Accompanying the launch is NeuBird AI’s 2026 State of Production Reliability and AI Adoption Report, a survey of over 1,000 professionals that reveals a massive disconnect between the boardroom and the server room. While 74% of C-suite executives believe their organizations are actively using AI to manage incidents, only 39% of the practitioners—the engineers actually on-call at 2:00 AM—agree. This 35-point \"AI Divide\" suggests that while leadership is writing checks for AI platforms, the technology is often failing to reach the frontline. For engineers, the reality remains manual and grueling: the study found that engineering teams spend an average of 40% of their time on incident management rather than building new products. Gou Rao, co-founder CEO of NeuBird AI, told VentureBeat that this is a persistent operational reality: “Over the past 18 months that we have been in production, this is not a marketing slide. We have concretely been able to demonstrate a massive reduction in time to incident response and resolution”. The consequences of this \"toil\" are more than just lost productivity. Alert fatigue has transitioned from a morale issue to a direct reliability risk. According to the report, 83% of organizations have teams that ignore or dismiss alerts occasionally, and 44% of companies experienced an outage in the past year tied directly to a suppressed or ignored alert. In many cases, the systems are so noisy that customers discover failures before the monitoring tools do. I ntroducing NeuBird AI Falcon NeuBird AI’s answer to this systemic failure is the Falcon engine. While the company’s previous iteration, Hawkeye, focused on autonomous resolution, Falcon extends that capability into predictive intelligence. \"When we launched NeuBird AI in 2023, our first version of the agent was called Hawkeye,\" Rao explains. \"What we’re announcing next week at HumanX is our next-generation version of the agent, codenamed Falcon. Falcon is easily three times faster than Hawkeye and is averaging around 92% in confidence scores\". This level of accuracy allows engineers to trust the agent's output at face value. Falcon represents a significant leap over previous generative AI applications in the space, particularly in its ability to forecast failure. \"Falcon is really good at preventive prediction, so it can tell you what can go wrong,\" Rao says. \"It’s pretty accurate on a 72-hour window, even better at 48 hours, and by 24 hours it gets really, really accurate”. One of the standout features of the new release is the Advanced Context Map. Unlike static dashboards, this is a real-time view of infrastructure dependencies and service health. It allows teams to visualize the \"blast radius\" of an issue as it propagates across an environment, helping engineers understand not just what is broken, but why it is failing in the context of its neighbors. 'Minority Report' for incident management While many AI tools favor flashy web interfaces, NeuBird AI is leaning into the developer's native habitat with NeuBird AI Desktop. This allows engineers to invoke the production ops agent directly from a command-line interface to explore root causes and system dependencies. \"Falcon has a desktop mode which allows it to interact with a developer’s local tools,\" Rao noted. \"We’re getting a lot more traction from a hands-on developer audience, especially as people go to Claude Desktop and Cursor. They’re completing the loop by using production agents talking to their coding agents”. This integration enables a \"multi-agent\" workflow where an engineer can use NeuBird AI’s agent to diagnose a root cause in production and then hand off that diagnosis to a coding agent like Claude Code to implement the fix. During a live demo, Rao showcased how the agent could be set to \"Sentinel Mode,\" constantly sweeping a cluster for risks. If it detects an anomaly—such as a projected 5% spike in AWS costs or a misconfigured Kubernetes pod—it can flag the specific engineer on-call who has the domain expertise to fix it. \"This is like 'Minority Report for Incident Management',\" one financial services executive reportedly told the team after a demo. Context engineering: a gateway for security A primary concern for enterprises deploying AI is security—ensuring large language models don't go \"crazy\" or exfiltrate sensitive data. NeuBird AI addresses this through a proprietary approach to \"context engineering\". \"The way we implemented our agent is that the large language models themselves are never actually touching the data directly,\" Rao explains. \"We become the gateway for how the context can be accessed”. This means the model is the reasoning engine, but NeuBird AI is the middleman that wraps the data. Furthermore, the company has implemented strict guardrails on what the agent can actually execute. “We’ve created a language that confines and restricts the agent from what it can do,\" says Rao. \"If it comes up with something anomalous, or something we don’t know, it won’t run. We won’t do it”. This architectural choice allows NeuBird AI to remain model-agnostic. If a newer model from Anthropic or Google outperforms the current reasoning engine, NeuBird AI can simply switch it out without requiring the customer to change their platform. \"Customers don’t want to be tied to a specific way of reasoning,\" Rao asserts. \"They want to be tied to a platform from which they can get the value of an agentic system”. Displacing the \"army\": displacing expensive observability One of the most radical claims NeuBird AI makes is that agentic systems can actually reduce the amount of data enterprises need to store in the first place. Currently, teams rely on massive storage platforms with complex query languages. \"People use very complex observability tools like Datadog, Dynatrace, and Sysdig,\" Rao says. \"This is the norm today, which is why it takes an army of people to solve a problem. What we’ve been able to demonstrate with agentic systems is that you don’t need to store all that data in the first place”. Because the agent can reason across raw data sources, it can identify which signals are junk and which are critical. This shift, Rao argues, “reduces human toil and effort while simultaneously reducing your reliance on these insanely expensive observability tools”. The practical impact of this \"incident avoidance\" was recently demonstrated at Deep Health. Rao recounts how their agent detected a systemic issue that was invisible to traditional tools: “Our agent was able to go in and prevent an issue from happening which would have caused this company, Deep Health, a major production outage. The customer is completely beside themselves and happy about what it could do”. FalconClaw: operationalizing 'tribal knowledge' One of the most persistent problems in IT operations is the loss of \"tribal knowledge\"—the hard-won expertise of senior engineers that exists only in their heads. NeuBird AI is attempting to solve this with FalconClaw, a curated, enterprise-grade skills hub compatible with the OpenClaw ecosystem. FalconClaw allows teams to capture best practices and resolution steps as \"validated and compliant skills\". The tech preview launched today with 15 initial skills that work natively with NeuBird AI’s toolchain. According to Francois Martel, Field CTO at NeuBird AI, this turns hard-won expertise into a reusable asset that the AI can use automatically. It’s an attempt to standardize how agents interact with infrastructure, moving away from proprietary \"black box\" systems toward a multi-agent world where different AI tools can share a common set of operational abilities. Scaling the moat: funding and leadership The $19.3 million round was led by Xora Innovation, a Temasek-backed firm, with participation from Mayfield, M12, StepStone Group, and Prosperity7 Ventures. This brings NeuBird AI’s total funding to approximately $64 million. The investor interest is fueled largely by the pedigree of the founding team. Gou Rao and Vinod Jayaraman previously co-founded Portworx, which was acquired by Pure Storage, and Ocarina Networks, acquired by Dell. They have recently bolstered their leadership with Venkat Ramakrishnan, another Pure Storage veteran, as President and COO. For investors like Phil Inagaki of Xora, the value lies in NeuBird AI’s \"best-in-class results across accuracy, speed and token consumption\". As cloud costs continue to spiral, the ability of an AI agent to not only fix bugs but also optimize infrastructure capacity is becoming a \"must-have\" rather than a \"nice-to-have\". NeuBird AI claims its agent can save enterprise teams more than 200 engineering hours per month. The path to 'self-healing' infrastructure As the State of Production Reliability report notes, current incident management practices are \"no longer sustainable\". With 61% of organizations estimating that a single hour of downtime costs $50,000 or more, the financial stakes of staying in a reactive loop are enormous. NeuBird AI's launch of Falcon and FalconClaw marks a definitive attempt to break that loop. By focusing on prevention and the \"context engineering\" required to make AI trustworthy for enterprise production, the company is positioning itself as the critical intelligence layer for the modern stack. While the \"AI Divide\" between executives and practitioners remains a significant hurdle for the industry, NeuBird AI is betting that as engineers see the value of a cli-driven, 92%-accurate agent that can \"see around corners,\" the skepticism will fade. For the site reliability engineers currently drowning in a flood of non-actionable alerts, the arrival of a reliable ai teammate couldn't come soon enough. NeuBird AI Falcon is available starting today, with organizations able to sign up for a free trial at neubird.ai .",
            "image": "https:\/\/images.ctfassets.net\/jdtwqhzvc2n1\/2quYmnQbaKi0HN803C5lQ9\/447a0fb2036c755d927cf1ac60ae7e04\/Thermal_falcon_analysis_in_progress.png?w=300&q=30",
            "source_url": "https:\/\/venturebeat.com\/security\/ai-agents-that-automatically-prevent-detect-and-fix-software-issues-are-here",
            "date": "2026-04-06",
            "category_en": "AI News",
            "author_en": "",
            "title_ar": "وكلاء الذكاء الاصطناعي الذين يقومون تلقائيًا بمنع مشكلات البرامج واكتشافها وإصلاحها موجودون هنا مع إطلاق NeuBird AI لـ Falcon وFalconClaw",
            "summary_ar": "يمكن القول إن شعار صناعة التكنولوجيا الحديثة صاغه فيسبوك (قبل أن يصبح ميتا): \"تحرك بسرعة وحطم الأشياء\". ولكن مع تحول البنية التحتية للمؤسسات إلى متاهة مذهلة من السحابات الهجينة والخدمات الصغيرة ومجموعات الحوسبة سريعة الزوال، أصبح الجزء \"العاجز\" بمثابة ضريبة هيكلية لم تعد العديد من المؤسسات قادرة على دفعها. اليوم، تطلق شركة NeuBird AI الناشئة التي تبلغ من العمر عامين هجومًا واسع النطاق ضد \"ضريبة الفوضى\" هذه، معلنة عن جولة تمويل بقيمة 19.3 مليون دولار إلى جانب إطلاق وكيل عمليات الإنتاج المستقل Falcon. لا يعد الإطلاق مجرد تحديث للمنتج؛ إنه محور فلسفي. لسنوات، ركزت الصناعة على \"الاستجابة للحوادث\" - مما يجعل سيارات الإطفاء أسرع وخراطيم المياه أكبر. يجادل NeuBird AI بأن الحل الوحيد سوس",
            "body_ar": "يمكن القول إن شعار صناعة التكنولوجيا الحديثة صاغه فيسبوك (قبل أن يصبح ميتا): \"تحرك بسرعة وحطم الأشياء\". ولكن مع تحول البنية التحتية للمؤسسات إلى متاهة مذهلة من السحابات الهجينة والخدمات الصغيرة ومجموعات الحوسبة سريعة الزوال، أصبح الجزء \"العاجز\" بمثابة ضريبة هيكلية لم تعد العديد من المؤسسات قادرة على دفعها. اليوم، تطلق شركة NeuBird AI الناشئة التي تبلغ من العمر عامين هجومًا واسع النطاق ضد \"ضريبة الفوضى\" هذه، معلنة عن جولة تمويل بقيمة 19.3 مليون دولار إلى جانب إطلاق وكيل عمليات الإنتاج المستقل Falcon. لا يعد الإطلاق مجرد تحديث للمنتج؛ إنه محور فلسفي. لسنوات، ركزت الصناعة على \"الاستجابة للحوادث\" - مما يجعل سيارات الإطفاء أسرع وخراطيم المياه أكبر. تجادل شركة NeuBird AI بأن المسار المستدام الوحيد للمضي قدمًا هو \"تجنب الحوادث\". وكما قال فينكات راماكريشنان، الرئيس والمدير التنفيذي للعمليات في شركة NeuBird AI، في مقابلة أجريت معه مؤخرًا: \"إن إدارة الحوادث هي مدرسة قديمة جدًا. وحل الحوادث هو مدرسة قديمة جدًا. وتجنب الحوادث هو ما سيتم تمكينه بواسطة الذكاء الاصطناعي\". من خلال ترسيخ الذكاء الاصطناعي في سياق المؤسسة في الوقت الفعلي بدلاً من مجرد التفكير في نماذج اللغة الكبيرة، تهدف الشركة إلى نقل هندسة موثوقية الموقع وتطوير الفرق من الموقف التفاعلي إلى الوضع التنبؤي. فجوة الذكاء الاصطناعي: التحقق من الواقع بشأن الأتمتة يصاحب الإطلاق تقرير حالة موثوقية الإنتاج واعتماد الذكاء الاصطناعي لعام 2026 الصادر عن شركة NeuBird AI، وهو استطلاع شمل أكثر من 1000 متخصص يكشف عن انفصال هائل بين مجلس الإدارة وغرفة الخادم. في حين يعتقد 74% من المديرين التنفيذيين أن مؤسساتهم تستخدم الذكاء الاصطناعي بشكل فعال لإدارة الحوادث، فإن 39% فقط من الممارسين - وهم المهندسون الذين يتم استدعاؤهم فعليًا في الساعة 2:00 صباحًا - يوافقون على ذلك. يشير \"تقسيم الذكاء الاصطناعي\" المكون من 35 نقطة إلى أنه بينما تقوم القيادة بكتابة الشيكات لمنصات الذكاء الاصطناعي، فإن التكنولوجيا غالبًا ما تفشل في الوصول إلى الخطوط الأمامية. بالنسبة للمهندسين، يظل الواقع يدويًا ومرهقًا: فقد وجدت الدراسة أن الفرق الهندسية تقضي ما معدله 40% من وقتها في إدارة الحوادث بدلاً من بناء منتجات جديدة. قال جو راو، الرئيس التنفيذي المشارك والمؤسس لشركة NeuBird AI، لـ VentureBeat أن هذه حقيقة تشغيلية مستمرة: \"على مدار الـ 18 شهرًا الماضية التي كنا فيها في مرحلة الإنتاج، هذه ليست شريحة تسويقية. لقد تمكنا بشكل ملموس من إظهار انخفاض كبير في الوقت اللازم للاستجابة للحوادث وحلها\". إن عواقب هذا \"الكدح\" هي أكثر من مجرد فقدان الإنتاجية. لقد تحول إرهاق التنبيه من مشكلة معنوية إلى خطر موثوقية مباشر. وفقًا للتقرير، فإن 83% من المؤسسات لديها فرق عمل تتجاهل التنبيهات أو ترفضها من حين لآخر، كما شهدت 44% من الشركات انقطاعًا في الخدمة في العام الماضي مرتبطًا بشكل مباشر بتنبيه مكبوت أو تم تجاهله. في كثير من الحالات، تكون الأنظمة شديدة الضجيج لدرجة أن العملاء يكتشفون حالات الفشل قبل أن تفعل أدوات المراقبة ذلك. أقدم لكم NeuBird AI Falcon إن إجابة NeuBird AI لهذا الفشل النظامي هي محرك Falcon. في حين أن الإصدار السابق للشركة، Hawkeye، ركز على الدقة الذاتية، فإن Falcon يوسع هذه القدرة إلى الذكاء التنبؤي. يشرح راو قائلاً: \"عندما أطلقنا NeuBird AI في عام 2023، كان الإصدار الأول من العميل لدينا يسمى Hawkeye\". \"ما سنعلن عنه الأسبوع المقبل في HumanX هو إصدار الجيل التالي من العميل، الذي يحمل الاسم الرمزي Falcon. فالكون أسرع بثلاث مرات من Hawkeye ويبلغ متوسط ​​درجات الثقة فيه حوالي 92%\". يسمح هذا المستوى من الدقة للمهندسين بالثقة في مخرجات الوكيل بالقيمة الاسمية. يمثل Falcon قفزة كبيرة مقارنة بتطبيقات الذكاء الاصطناعي التوليدية السابقة في هذا المجال، لا سيما في قدرته على التنبؤ بالفشل. يقول راو: \"إن فالكون جيد حقًا في التنبؤ الوقائي، لذا يمكنه إخبارك بالخطأ الذي يمكن أن يحدث\". \"إنها دقيقة جدًا خلال 72 ساعة، بل إنها أفضل بعد 48 ساعة، وبحلول 24 ساعة تصبح دقيقة حقًا\". إحدى الميزات البارزة للإصدار الجديد هي خريطة السياق المتقدمة. على عكس لوحات المعلومات الثابتة، يعد هذا عرضًا في الوقت الفعلي لتبعيات البنية التحتية وسلامة الخدمة. فهو يسمح للفرق بتصور \"نطاق الانفجار\" لمشكلة ما أثناء انتشارها عبر بيئة ما، مما يساعد المهندسين على فهم ليس فقط ما تم كسره، ولكن أيضًا سبب فشله في سياق جيرانه. \"تقرير الأقلية\" لإدارة الحوادث في حين أن العديد من أدوات الذكاء الاصطناعي تفضل واجهات الويب المبهرجة، فإن NeuBird AI يميل إلى البيئة الأصلية للمطور مع NeuBird AI Desktop. يتيح ذلك للمهندسين استدعاء وكيل عمليات الإنتاج مباشرة من واجهة سطر الأوامر لاستكشاف الأسباب الجذرية وتبعيات النظام. وأشار راو إلى أن \"Falcon لديه وضع سطح المكتب الذي يسمح له بالتفاعل مع الأدوات المحلية للمطور\". \"لقد حصلنا على المزيد من الاهتمام من جمهور المطورين العمليين، خاصة عندما يذهب الأشخاص إلى Claude Desktop وCursor. إنهم يكملون الحلقة باستخدام وكلاء الإنتاج الذين يتحدثون إلى وكلاء البرمجة الخاصين بهم\". يتيح هذا التكامل سير عمل \"متعدد الوكلاء\" حيث يمكن للمهندس استخدام وكيل NeuBird AI لتشخيص السبب الجذري في الإنتاج ثم تسليم هذا التشخيص إلى وكيل ترميز مثل Claude Code لتنفيذ الإصلاح. خلال العرض التجريبي المباشر، عرض Rao كيف يمكن ضبط العميل على \"Sentinel Mode\"، حيث يقوم باستمرار بمسح المجموعة بحثًا عن المخاطر. إذا اكتشف وجود حالة شاذة - مثل الارتفاع المتوقع بنسبة 5% في تكاليف AWS أو حاوية Kubernetes التي تم تكوينها بشكل خاطئ - فيمكنه الإبلاغ عن مهندس محدد عند الطلب لديه الخبرة في المجال لإصلاحه. \"هذا مثل\" تقرير الأقلية لإدارة الحوادث \"، حسبما ورد، قال أحد المسؤولين التنفيذيين في الخدمات المالية للفريق بعد العرض التوضيحي. هندسة السياق: بوابة للأمان إن الاهتمام الرئيسي للمؤسسات التي تستخدم الذكاء الاصطناعي هو الأمن، مما يضمن عدم \"جنون\" نماذج اللغات الكبيرة أو تسرب البيانات الحساسة. تعالج شركة NeuBird AI هذا الأمر من خلال نهج خاص بـ \"هندسة السياق\". يوضح راو: \"الطريقة التي طبقنا بها وكيلنا هي أن نماذج اللغة الكبيرة نفسها لا تلمس البيانات بشكل مباشر أبدًا\". \"لقد أصبحنا البوابة لكيفية الوصول إلى السياق\". وهذا يعني أن النموذج هو المحرك المنطقي، لكن الذكاء الاصطناعي NeuBird هو الوسيط الذي يغلف البيانات. علاوة على ذلك، قامت الشركة بتطبيق حواجز حماية صارمة على ما يمكن للوكيل تنفيذه فعليًا. يقول راو: \"لقد أنشأنا لغة تقيد الوكيل وتقيده فيما يمكنه القيام به\". \"إذا جاء بشيء غير عادي، أو بشيء لا نعرفه، فلن يتم تشغيله. لن نفعل ذلك\". يسمح هذا الاختيار المعماري لـ NeuBird AI بالبقاء حياديًا للنموذج. إذا تفوق نموذج أحدث من Anthropic أو Google على محرك الاستدلال الحالي، فيمكن لـ NeuBird AI ببساطة تبديله دون مطالبة العميل بتغيير النظام الأساسي الخاص به. ويؤكد راو أن \"العملاء لا يريدون أن يكونوا مرتبطين بطريقة معينة في التفكير\". \"إنهم يريدون أن يكونوا مرتبطين بمنصة يمكنهم من خلالها الحصول على قيمة النظام الوكيل\". إزاحة \"الجيش\": إزاحة إمكانية المراقبة الباهظة الثمن أحد الادعاءات الأكثر جذرية التي تطرحها شركة NeuBird AI هو أن الأنظمة الوكيلة يمكنها في الواقع تقليل كمية البيانات التي تحتاج المؤسسات إلى تخزينها في المقام الأول. تعتمد الفرق حاليًا على منصات تخزين ضخمة مع لغات استعلام معقدة. يقول راو: \"يستخدم الأشخاص أدوات مراقبة معقدة جدًا مثل Datadog وDynatrace وSysdig\". \"هذا هو المعيار اليوم، ولهذا السبب يتطلب الأمر جيشا من الناس لحل مشكلة ما. ما تمكنا من إثباته باستخدام الأنظمة الوكيلة هو أنك لا تحتاج إلى تخزين كل تلك البيانات في المقام الأول \". نظرًا لأن الوكيل يمكنه التفكير عبر مصادر البيانات الأولية، فيمكنه تحديد الإشارات غير المرغوب فيها وأيها الحرجة. ويقول راو إن هذا التحول \"يقلل من الكدح والجهد البشري بينما يقلل في الوقت نفسه من اعتمادك على أدوات المراقبة الباهظة الثمن هذه\". وقد تم توضيح التأثير العملي لهذا \"تجنب الحوادث\" مؤخرًا في Deep Health. يروي راو كيف اكتشف وكيلهم مشكلة نظامية كانت غير مرئية للأدوات التقليدية: \"تمكن وكيلنا من الدخول ومنع حدوث مشكلة كان من شأنها أن تتسبب في انقطاع كبير في الإنتاج لهذه الشركة، Deep Health. العميل في حالة من الانزعاج التام وسعيد بما يمكنه فعله\". FalconClaw: تفعيل \"المعرفة القبلية\" إحدى المشاكل الأكثر إلحاحًا في عمليات تكنولوجيا المعلومات هي فقدان \"المعرفة القبلية\" - وهي الخبرة التي اكتسبها كبار المهندسين بشق الأنفس والتي لا توجد إلا في رؤوسهم. تحاول شركة NeuBird AI حل هذه المشكلة باستخدام FalconClaw، وهو مركز مهارات منسق على مستوى المؤسسات ومتوافق مع نظام OpenClaw البيئي. يسمح FalconClaw للفرق بالتقاط أفضل الممارسات وخطوات الحل باعتبارها \"مهارات تم التحقق من صحتها ومتوافقة\". تم إطلاق المعاينة التقنية اليوم مع 15 مهارة أولية تعمل بشكل أصلي مع سلسلة أدوات NeuBird AI. وفقًا لفرانسوا مارتل، المدير التنفيذي للتكنولوجيا الميداني في شركة NeuBird AI، فإن هذا يحول الخبرة المكتسبة بشق الأنفس إلى أصول قابلة لإعادة الاستخدام يمكن للذكاء الاصطناعي استخدامها تلقائيًا. إنها محاولة لتوحيد كيفية تفاعل الوكلاء مع البنية التحتية، والابتعاد عن أنظمة \"الصندوق الأسود\" الخاصة نحو عالم متعدد الوكلاء حيث يمكن لأدوات الذكاء الاصطناعي المختلفة مشاركة مجموعة مشتركة من القدرات التشغيلية. تسلق الخندق: التمويل والقيادة قادت الجولة التي تبلغ قيمتها 19.3 مليون دولار شركة Xora Innovation، وهي شركة مدعومة من شركة Temasek، بمشاركة من Mayfield وM12 وStepStone Group وProsperity7 Ventures. وبذلك يصل إجمالي تمويل NeuBird AI إلى حوالي 64 مليون دولار. يتغذى اهتمام المستثمرين إلى حد كبير على نسب الفريق المؤسس. شارك جو راو وفينود جايارامان سابقًا في تأسيس Portworx، التي استحوذت عليها شركة Pure Storage، وشركة Ocarina Networks، التي استحوذت عليها شركة Dell. لقد عززوا مؤخرًا قيادتهم مع فينكات راماكريشنان، وهو أحد المخضرمين الآخرين في Pure Storage، كرئيس ومدير تنفيذي للعمليات. بالنسبة للمستثمرين مثل Phil Inagaki من Xora، تكمن القيمة في \"النتائج الأفضل في فئتها من NeuBird AI من حيث الدقة والسرعة واستهلاك الرمز المميز\". مع استمرار ارتفاع تكاليف السحابة، أصبحت قدرة وكيل الذكاء الاصطناعي ليس فقط على إصلاح الأخطاء ولكن أيضًا على تحسين قدرة البنية التحتية \"أمرًا ضروريًا\" وليس \"أمرًا رائعًا\". تدعي شركة NeuBird AI أن وكيلها يمكنه توفير أكثر من 200 ساعة هندسية شهريًا لفرق المؤسسة. الطريق إلى البنية التحتية \"التعافي الذاتي\" كما يشير تقرير حالة موثوقية الإنتاج، فإن الممارسات الحالية لإدارة الحوادث \"لم تعد مستدامة\". مع تقدير 61% من المؤسسات أن ساعة واحدة من التوقف تكلف 50000 دولار أو أكثر، فإن المخاطر المالية للبقاء في حلقة رد الفعل هائلة. يمثل إطلاق NeuBird AI لـ Falcon وFalconClaw محاولة حاسمة لكسر هذه الحلقة. من خلال التركيز على الوقاية و\"هندسة السياق\" المطلوبة لجعل الذكاء الاصطناعي جديرًا بالثقة لإنتاج المؤسسات، تضع الشركة نفسها كطبقة استخباراتية مهمة للمكدس الحديث. في حين أن \"فجوة الذكاء الاصطناعي\" بين المديرين التنفيذيين والممارسين لا تزال تشكل عقبة كبيرة أمام الصناعة، فإن شركة NeuBird AI تراهن على أنه عندما يرى المهندسون قيمة وكيل دقيق بنسبة 92٪ يحركه CLI ويمكنه \"الرؤية حول الزوايا\"، فإن الشكوك سوف تتلاشى. بالنسبة لمهندسي موثوقية الموقع الذين يغرقون حاليًا في سيل من التنبيهات غير القابلة للتنفيذ، فإن وصول زميل فريق الذكاء الاصطناعي الموثوق به لا يمكن أن يأتي قريبًا بما فيه الكفاية. يتوفر NeuBird AI Falcon بدءًا من اليوم، مع قدرة المنظمات على الاشتراك للحصول على نسخة تجريبية مجانية على neubird.ai",
            "category_ar": "أخبار الذكاء الاصطناعي"
        }
    ]
}