يكتسب توجيه النماذج الذكية (AI Model Routing) أفضلية متزايدة على اختيار نموذج حدودي واحد (Frontier Model) لكل شيء.

أقرت مايكروسوفت هذا الأسبوع، عند إطلاقها نموذج MAI-Cyber-1-Flash، بأمر غير مألوف: النموذج يتولى نحو 90% من أعباء العمل الأمنية داخلياً، ولا يوجّه سوى أصعب 10% من المهام إلى GPT-5.4 من OpenAI. هذا التقسيم يخفض تكلفة تشغيل النظام كاملاً إلى النصف تقريباً. إنها تفصيلة تقنية صغيرة مدفونة في إطلاق منتج، لكنها تشير إلى تحول أكبر بكثير في كيفية عمل التطبيقات الجادة للذكاء الاصطناعي فعلياً في عام 2026، ولا علاقة لها بالسعي وراء أقوى نموذج متاح.

الفكرة بسيطة: دفع أسعار النماذج الحدودية مقابل كل طلب هو إهدار للمال لا يحسّن جودة المخرجات بالنسبة لمعظم ما تطلبه الشركات من الذكاء الاصطناعي. جهاز توجيه (router) موضوع بين التطبيق ومزوّدي النماذج يقيّم كل طلب وارد ويرسله إلى النموذج القادر على معالجته بكفاءة بأقل تكلفة. النماذج الحدودية تُحجز للطلبات التي تحتاجها فعلاً.

لماذا ليس هذا مجرد عرض لتقليل التكاليف

التوفير ليس هامشياً. أظهرت أبحاث محكّمة حول أنظمة التوجيه من نمط RouteLLM تحقيق خفض في التكلفة بنسبة 85% تقريباً مع الاحتفاظ بنسبة 95% من جودة مخرجات النموذج الحدودي في تقييمات المعايير (benchmark evals). تلك الفجوة — أرخص بنسبة 85%، وخسارة في الجودة بنسبة 5% — هي الحجة الكاملة لصالح التوجيه. معظم أعباء العمل المؤسسية تقع تحت سقف ما يمكن أن يفعله النموذج الحدودي: التصنيف، الاستخراج، الاستفسارات الأساسية (Q&A)، التنسيق، الردود الروتينية لدعم العملاء. لا شيء من هذا يحتاج إلى مستوى التفكير في GPT-5.4.

شركات الذكاء الاصطناعي الاستهلاكية أدركت هذا أولاً، بدافع الضرورة. شركة Wishroll الناشئة في مجال الذكاء الاصطناعي الاستهلاكي استخدمت تحليل المهام (task decomposition) والتوجيه لخفض تكاليف الاستدلال (inference costs) بنسبة 95% مع التوسع إلى مليون مستخدم في 19 يوماً — وهو معدل نمو كان سيكون مستحيلاً مالياً مع أسعار النماذج الحدودية الثابتة. الشركات الآن تطبق نفس المنطق على الأمن السيبراني، ودعم العملاء، والأدوات الداخلية، حيث يكون حجم الطلبات مرتفعاً ومعظم الاستفسارات الفردية بسيطة حقاً.

أين يكون التوجيه مفيداً فعلاً

التوجيه ليس حكمة شاملة — له حد أدنى. تحت حوالي 100 ألف مستخدم نشط يومياً، عادةً ما يكون استخدام نموذج واحد متوسط المستوى لكل شيء أرخص في البناء والصيانة من طبقة توجيه. الإنفاق الشهري على الذكاء الاصطناعي في هذا النطاق يتراوح عادة بين 10 آلاف و100 ألف دولار، والتعقيد الهندسي لتشغيل جهاز توجيه ومراقبة قراراته واكتشاف التصنيفات الخاطئة يمكن أن يتجاوز التوفير الذي ينتجه بسهولة.

المعادلة تنقلب بمجرد ارتفاع الحجم والتعقيد معاً. تقسيم مايكروسوفت في MAI-Cyber-1-Flash مفيد هنا: فرز الثغرات الأمنية (vulnerability triage) لديه حجم طلبات هائل (كل commit، كل تحديث تبعية، كل تنبيه) لكن توزيع صعوبة منحرف بشدة — معظم المشكلات المحددة روتينية، وجزء صغير يتطلب تفكيراً صعباً حقاً. هذا هو بالضبط شكل أعباء العمل حيث يدفع التوجيه تكاليفه فوراً.

ما تحتاجه طبقة التوجيه فعلاً

ثلاثة مكونات تجعل التوجيه يعمل عملياً، وتجاهل أي منها هو سبب فشل معظم المحاولات:

• مصنّف سريع ورخيص. جهاز التوجيه نفسه يجب أن يكون شبه مجاني التشغيل، وإلا فإنه يهدر الغرض. هذا عادةً نموذج صغير أو خوارزمية قائمة على القواعد، وليس استدعاءً نموذجياً حدودياً آخر.
• حد أدنى للجودة مع خيار احتياطي. عندما تكون ثقة النموذج الرخيص منخفضة أو مخرجاته تفشل في اختبار الصلاحية، يجب أن يرتفع الطلب تلقائياً إلى نموذج أقوى — لا أن يُرسل إجابة ضعيفة بصمت.
• تقييم مستمر ضد حركة المرور الحقيقية. قرارات التوجيه تنحرف مع تغير أنماط الاستخدام. بدون حلقة تغذية راجعة تعيد تقييم دقة التوجيه مقابل النتائج الفعلية، سيبدأ النظام في توجيه المزيد من حركة المرور بشكل خاطئ إلى الطبقة الرخيصة دون أن يلاحظ أحد حتى تظهر شكاوى الجودة.

خلفية تسعير النماذج

الاقتصاديات تعمل فقط لأن هناك الآن فجوة حقيقية في التسعير لكل رمز (token) عبر النماذج القادرة. النماذج الرائدة المتوازنة — المسعّرة تقريباً في نطاق 1.25 إلى 3 دولارات لكل مليون رمز إدخال، و10 إلى 15 دولاراً لكل مليون رمز إخراج — تدير الآن الغالبية العظمى من أعباء العمل المؤسسية بكفاءة. هذا النطاق السعري لم يكن موجوداً بجودة ذات معنى قبل عامين؛ هو ما يجعل التوجيه يستحق الاستثمار الهندسي وليس مجرد خطأ تقريبي.

خلاصات عملية

إذا كنت تدير أعباء عمل للذكاء الاصطناعي بحجم كبير، لا تفترض افتراضياً استخدام نموذج حدودي واحد لكل نوع طلب. دقق أولاً في توزيع استفساراتك الفعلية — معظم الفرق تتفاجأ عندما تجد أن 70-80% من حركة المرور الخاصة بها هي أعمال تصنيف أو استخراج روتينية يتعامل معها نموذج متوسط تماماً مثل النموذج الحدودي. ابنِ المصنّف ومسار الخيار الاحتياطي قبل التحسين أكثر، وقِس دقة التوجيه من اليوم الأول بدلاً من الثقة بأنها ستبقى صحيحة مع تطور الاستخدام. الفرق الرابحة في تكاليف الذكاء الاصطناعي في 2026 ليست تلك التي لديها وصول إلى أفضل نموذج — بل تلك التي توقفت عن استخدامه لكل شيء.