💻 computer science

Generative AI in Knowledge Work: Perception, Usefulness, and Acceptance of Microsoft 365 Copilot

تتناول هذه الدراسة تبني "مايكروسوفت 365 كوبايلوت" في مؤسسة بحثية، حيث كشفت أنه بينما يدرك الموظفون الإداريون في البداية فائدة أعلى، يطور الكادر العلمي تقييمات أكثر إيجابية بمرور الوقت، مما يؤكد الحاجة الماسة إلى تنفيذ حساس للسياق وتدريب محدد حسب الدور للحفاظ على قبول الذكاء الاصط์ناعي التوليدي في العمل كثيف المعرفة.

المؤلفون الأصليون: Carsten F. Schmidt, Sophie Petzolt, Wolfgang Beinhauer, Ingo Weber, Stefan Langer

نُشر 2026-02-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Carsten F. Schmidt, Sophie Petzolt, Wolfgang Beinhauer, Ingo Weber, Stefan Langer

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

🚀 الصورة الكبيرة: مساعد طيار جديد للمكتب

تخيل أن منظمة بحثية ضخمة (مثل مركز أبحاث عالي التقنية) قررت منح كل موظف مساعدًا رقميًا جديدًا فائق الذكاء يسمى Microsoft 365 Copilot. فكر في "كوبيلوت" ليس كروبوت يستبدلك، بل كـ متدرب فائق الكفاءة يمكنه كتابة رسائل البريد الإلكتروني، وتلخيص المستندات، وإيجاد المعلومات فورًا، ولكنه لا يزال بحاجة إلى إشرافك.

أراد الباحثون معرفة كيفية تفاعل مجموعتين مختلفتين تمامًا من الناس مع هذا المتدرب الجديد بمرور الوقت:

العلماء: الباحثون الذين يجرون التجارب، ويكتبون الأوراق البحثية، ويحلون المشكلات المعقدة.
الإداريون: الفريق الذي يتولى أمور الرواتب، والميزانيات، والجدولة، والخدمات اللوجستية المكتبية.

لقد تحققوا من الأمر مرتين: مرة مباشرة بعد تقديم الأداة (T01)، وبعد بضعة أشهر (T02) لمعرفة كيف تغيرت المشاعر.

🧪 النتائج: خطان انطلاقا مختلفان

1. ميزة "الإداريين" (المتبنون الأوائل)

التشبيه: تخيل أن الإداريين قد مُنحوا مكنسة كهربائية جديدة عالية التقنية وأدركوا على الفور أنها مثالية لمهامهم اليومية (مثل كنس الأرضيات ونفض الغبار عن الرفوف). لقد عرفوا تمامًا كيفية استخدامها على الفور.

ماذا حدث: منذ اليوم الأول، أحب فريق الإدارة هذه الأداة. وجدوها مفيدة للغاية لمهامهم المنظمة والمعتمدة على النصوص (مثل كتابة التقارير أو تنظيم البيانات). شعروا أنها وفرت وقتهم وقللت من عبء العمل لديهم فورًا.
الحكم: بدأوا بتقييم مرتفع وظل مرتفعًا. لقد كانت "ملائمة تمامًا" لوصفهم الوظيفي.

2. منحنى التعلم لدى "العلماء" (من المشككين إلى المؤمنين)

التشبيه: تخيل أن العلماء قد مُنحوا نفس المكنسة الكهربائية، لكنهم كانوا يحاولون استخدامها لـ إصلاح محرك معطل. في البداية، شعروا بالحيرة. فكروا قائلين: "هذا لا يساعدني في إصلاح المحرك!". كانوا متشككين وقيموا الأداة بدرجة أقل.

ما شده: خلال الأشهر التالية، بدأ العلماء في اكتشاف كيفية استخدام الأداة لاحتياجاتهم الخاصة. تعلموا كيفية طرح الأسئلة الصحيحة (الأوامر/Prompts) لمساعدتهم في صياغة الأوراق البحثية أو تحليل البيانات.
الحكم: قفزت آراؤهم حول الأداة بشكل هائل. بحلول الفحص الثاني، شعروا بإنتاجية أكبر وضغط أقل. لم يبدأوا بمستوى عالٍ مثل الإداريين، لكنهم حققوا تحسنًا أكبر.

📊 ما الذي نجح بشكل أفضل؟ (منطقة التميز)

وجدت الدراسة أن "كوبيلوت" ليس عصا سحرية لكل شيء. لديه "منطقة قوة" محددة.

🌟 منطقة التميز (نجاح عالٍ):
- المهام: كتابة رسائل البريد الإلكتروني، تلخيص المستندات الطويلة، جمع الحقائق، وتنظيم البيانات.
- لماذا: هذه تشبه مهام خط التجميع. فهي منظمة وتتبع قواعد واضحة. يتألق "كوبيلوت" هنا لأنه بارع في معالجة النصوص والمعلومات.
- التشبيه: الأمر يشبه المثقاب الكهربائي (الدريل). إذا كنت بحاجة لربط برغي (كتابة تقرير)، فهو مذهل.
🤷 منطقة "اللا مبالاة" (نجاح محايد/منخفض):
- المهام: إنشاء الفنون/الوسائط، تعلم مهارات معقدة جديدة، أو "التواصل الشبكي" (بناء العلاقات الاجتماعية).
- لماذا: تتطلب هذه المهام إبداعًا بشريًا، أو دقة، أو ذكاءً عاطفيًا.
- التشبيه: طلب التواصل الشبكي من "كوبيلوت" يشبه طلب رسم لوحة بورتريه باستخدام مثقاب كهربائي. إنه الأداة الخاطئة للمهمة. لم يشعر العلماء، على وجه الخصوص، أنه ساعدهم في الحصول على تعليقات (Feedback) حول أفكارهم البحثية المعقدة.

🛡️ عامل "الثقة"

كانت إحدى النتائج الأكثر إثارة للاهتمام تتعلق بـ الخوف.

الخوف: "ماذا لو كذب الذكاء الاصطناعي أو أعطاني معلومات خاطئة؟"
الواقع: لم يكن أحد تقريبًا قلقًا بشأن هذا. لقد وثق كلا المجموعتين بالأداة بما يكفي لاستخدامها، ولم يشعروا أنها سببت لهم أي ضرر.
الخلاصة: تعامل الناس مع "كوبيلوت" مثل الآلة الحاسبة. كانوا يعلمون أنه قد يرتكب خطأً إذا أدخلت أرقامًا خاطئة، لذا كانوا يدققون العمل، لكنهم لم يخافوا من الآلة نفسها.

💡 الدرس الرئيسي: الأمر يتعلق بالتدريب، وليس مجرد الأدوات

تختتم الورقة البحثية برسالة مهمة جدًا لأي شركة تحاول إدخال الذكاء الاصطناعي:

لا يمكنك مجرد توزيع الأدوات وتوقع حدوث السحر.

بالنسبة للإداريين: كانت الأداة ملائمة طبيعيًا، لذا تكيفوا بسرعة.
بالنسبة للعلماء: كانوا بحاجة إلى وقت لتعلم كيفية استخدام الأداة لعملهم الخاص والمعقد.

التشبيه: إعطاء منظمة ما ذكاءً اصطناعيًا يشبه إعطاء فريق رياضي حذاء جري جديد عالي التقنية.

إذا أعطيتهم الأحذية فقط، فسوف يركض بعضهم بشكل أسرع فورًا (الإداريون).
أما الآخرون (العلماء) فقد يتعثرون ويسقطون حتى يتعلموا كيفية ربط الأربطة والتدرب بها.
النجاح يأتي من التدريب (Coaching). تحتاج المنظمة إلى توفير تدريب ودعم محددين حتى يتعلم الجميع كيفية الركض بهذه الأحذية الجديدة، بدلاً من مجرد الأمل في أن يكتشفوا الأمر بأنفسهم.

🏁 الملخص في جملة واحدة

يعد Microsoft 365 Copilot أداة رائعة للأعمال المكتبية المنظمة والقائمة على النصوص التي سيتعلم الجميع حبها في النهاية، ولكن للاستفادة القصوى منه، تحتاج المنظمات إلى تخصيص تدريبها وفقًا للاحتياجات المختلفة لكل دور وظيفي.

إليك ملخص تقني مفصل للورقة البحثية الأولية بعنوان: "الذكاء الاصطناائي التوليدي في العمل المعرفي: التصور، والمنفعة، والقبول لـ Microsoft 365 Copilot."

1. بيان المشكلة

إن دمج الذكاء الاصطناعي التوليدي (GenAI) في العمل كثيف المعرفة يغير الاقتصاد بسرعة، ومع ذلك لا تزال الأبحاث التجريبية شحيحة فيما يتعلق بتبنيه في المؤسسات البحثية غير الجامعية (تحديداً في ألمانيا، والمعروفة باسم außeruniversitäre Forschungseinrichtungen أو AUF). وتعمل هذه المؤسسات كجسور حيوية بين البحث الأكاديمي والتطبيق الصناعي، وتواجه ضغوطاً فريدة للابتكار والكفاءة.

بينما ركزت الدراسات السابقة على البيئات الشركاتية أو الجامعية، هناك نقص في البيانات المتعلقة بـ:

كيف تدرك مجموعات الموظفين المختلفة (العلميين مقابل الإداريين) أدوات الذكاء الاصطناعي التوليدي.
كيف يتطور القبول خلال مرحلة التنفيذ المبكرة.
ما هي مهام العمل المعرفي المحددة التي تدعمها بفعالية أدوات مثل Microsoft 365 Copilot (M365 Copilot).

تهدف الدراسة إلى سد هذه الفجوة من خلال تحليل إدخال M365 Copilot في مؤسسة بحثية كبيرة غير جامعية، ومعالجة ثلاثة أسئلة بحثية أساسية (F1–F3) تتعلق بالاختلافات بين المجموعات، والتغيرات الزمنية في القبول، والمنفعة الخاصة بالمهام.

2. المنهجية

التصميم البحثي:

المنهج: كمي، استكشافي، واستقرائي.
النوع: مسح مقطعي متكرر (نقطتان للقياس).
السياق: تجربة تقنية لـ M365 Copilot داخل مؤسسة بحثية ألمانية كبيرة غير جامعية (سياق جمعية فراونهوفر - Fraunhofer Society).

العينة وجمع البيانات:

المجتمع: 550 موظفاً مجهزاً بتراخيص M365 Copilot، تم اختيارهم عبر عينة حصصية لتمثيل الهيكل التنظيمي (المعهد، العمر، الجنس، الدور الوظيفي).
النقاط الزمنية:
- T01: نوفمبر–ديسمبر 2024 ( $N=106$ : 66 علمي، 40 إداري).
- T02: مارس–أبريل 2025 ( $N=90$ : 51 علمي، 39 إداري).
ملاحظة: كان التداخل بين المشاركين في T01 وT02 صغيراً؛ لذلك تم تحليل البيانات كعينتين مستقلتين مقطعيّتين بدلاً من لوحة طولية (longitudinal panel). وهذا يحد من الاستنتاجات حول المسارات الفردية ولكنه يسمح بتحليل الاتجاهات على مستوى العينة.

الأداة:

أداة المسح: استبيان عبر الإنترنت موحد (LimeSurvey).
المتغيرات (Constructs): بناءً على نموذج قبول التكنولوجيا (TAM) وموسع بأبعاد متعلقة بالمهام.
- المنفعة المدركة (PU): 5 بنود (الإنتاجية، الفعالية، تقليل عبء العمل، إلخ).
- سهولة الاستخدام المدركة (PEOU): بندان (سهولة التشغيل البديهي، ووضوح التفاعل).
- جودة المخرجات والموثوقية: بنود مفردة.
- المنفعة الخاصة بالمهام: 9 بنود تغطي أنشطة مثل جمع المعلومات، وإنشاء النصوص، والتشبيك (Networking).
المقياس: مقياس ليكرت سباعي النقاط (مرقم من -3 إلى +3).
التحليل: الإحصاء الوصفي، واختبارات "ويلش" (Welch t-tests) للعينات المستقلة (للتفاوت في التباين)، وحساب حجم الأثر (Cohen's $d$ ).

3. المساهمات الرئيسية

الخصوصية السياقية: تقدم واحدة من أولى الدراسات التجريبية حول تبني الذكاء الاصطناعي التوليدي تحديداً داخل المؤسسات البحثية غير الجامعية، وهو قطاع متميز عن كل من الأوساط الأكاديمية البحتة والبيئات الشركاتية القياسية.
الديناميكيات الزمنية: ترصد تطور تصور المستخدم خلال فترة 4-5 أشهر، مما يكشف عن "آثار التعلم والروتينية" بدلاً من مستويات القبول الثابتة.
تحليل ملاءمة المهمة للتكنولوجيا: تتجاوز القبول العام لترسم خرائط لأنشطة العمل المعرفي المحددة مقابل منفعة الذكاء الاصطناعي التوليدي، مع تحديد أنماط واضحة للملاءمة العالية مقابل المنخفضة.
التمييز بين المجموعات: تسلط الضوء على التباين ثم التقارب اللاحق في القبول بين الموظفين العلميين والإداريين، مما يتحدى فكرة الاستجابة التنظيمية الموحدة للذكاء الاصطناعي.

4. النتائج الرئيسية

أ. الاختلافات بين المجموعات (العلميين مقابل الإداريين)

الحالة الأولية (T01): سجل الموظفون الإداريون مستويات أعلى بكثير في المنفعة المدركة وجودة المخرجات مقارنة بالموظفين العلميين.
التطور (T02):
- الموظفون الإداريون: حافظوا على تقييمات إيجابية عالية ومستقرة دون زيادة ذات دلالة إحصائية بمرور الوقت (مما يشير إلى تأثير التشبع/الثبات).
- الموظفون العلميون: بدأوا بتقييمات متحفظة/محايدة ولكنهم أظهروا زيادات كبيرة في المنفعة المدركة وسهولة الاستخدام بحلول T02.
التقارب: بحلول T02، اختفت الفجوة الكبيرة في المنفعة وجودة المخرجات بين المجموعتين إلى حد كبير، مما يشير إلى أن الموظفين العلميين قد تكيفوا ووجدوا قيمة في الأداة بمر over time.

ب. الموثوقية التقنية وسهولة الاستخدام

الموثوقية: قيمت كلتا المجموعتين الموثوقية التقنية بشكل إيجابي ومتسق عبر النقطتين الزمنيتين. لم تُلاحظ تغييرات جوهرية، مما يشير إلى أن التكنولوجيا كانت مستقرة منذ البداية.
سهولة الاستخدام: أظهر الموظفون العلميون تحسناً ملحوظاً في سهولة الاستخدام المدركة بمرور الوقت، بينما ظل الإداريون إيجابيين باستمرار. يشير هذا إلى منحنى تعلم للمستخدمين العلميين فيما يتعلق بوضوح التفاعل.

ج. المنفعة الخاصة بالمهام (F3)

حددت الدراسة ثلاثة أنماط متميزة للمنفعة:

المنفعة العالية (الهيكلية، القائمة على النصوص): حصلت أنشطة مثل جمع المعلومات، التحليل، إنشاء النصوص، والبحث عن المعلومات على أعلى التقييمات. سجل الإداريون هذه القيم بشكل أعلى من العلماء، لكن كلتا المجموعتين شهدتا اتجاهات إيجابية.
المنفعة المحايدة (الإبداعية/الوسائط): حصل إنشاء محتوى الوسائط على تقييمات محايدة، مما يشير إلى القيود الحالية للذكاء الاصطناعي التوليدي في المهام الإبداعية أو متعددة الوسائط.
المنفعة المنخفضة/السلبية (الاجتماعية/المعقدة): حصلت الشبكات (Networking) ومواكبة المستجدات على تقييمات سلبية أو محايدة. ومن المثير للاهتمام أن تقييم الحصول على التغذية الراجعة انخفض بالنسبة للموظفين العلميين بمرور الوقت، مما يشير إلى أن الذكاء الاصطناعي التوليدي أقل فعالية في عمليات مراجعة الأقران المعقدة أو حلقات التغذية الراجعة الخاصة بالبحث.

د. إدراك المخاطر

الضرر الناتج عن المخرجات غير الصحيحة: قيمت كلتا المجموعتين باستمرار احتمال الضرر من الأخطاء بأنها منخفضة جداً (قيم سالبة في المقياس)، مما يشير إلى ثقة عالية في القدرة على التحكم في الأداة أو إجراءات التحقق الراسخة.

5. الأهمية والآثار المترتبة

الأهمية النظرية:

التحقق من نموذج TAM في سياق الذكاء الاصطناعي التوليدي: يؤكد أن المنفعة المدركة هي محرك أقوى للقبول من سهولة الاستخدام أو الموثوقية التقنية، خاصة مع اكتساب المستخدمين للخبرة.
مسارات التعلم: يثبت أن القبول ليس ثابتاً؛ بل يتطور من خلال "الروتينية". فقد طور العلماء، الذين كانوا متشككين في البداية، تصورات أعلى للمنفعة مع دمج الأداة في سير عمل محدد.
ملاءمة التكنولوجيا للمهمة: يدعم فرضية أن الذكبة الاصطناعي التوليدي (LLMs) يتفوق حالياً في المهام الرسمية القائمة على اللغة، لكنه يعاني في الأنشطة الإبداعية أو الاجتماعية المعقدة.

الآثار العملية:

التنفيذ الحساس للسياق: لا يمكن للمؤسسات تطبيق نموذج "مقاس واحد يناسب الجميع". قد يرى الدور الإداري مكاسب كفاءة فورية، بينما يحتاج الدور العلمي إلى وقت وتدريب محدد لإدراك القيمة.
الاحتياجات التدريبية: يجب أن يركز التدريب ليس فقط على آليات الأداة، بل أيضاً على تحديد المهام ذات الملاءمة العالية (مثل الصياغة، التلخيص) وإدارة التوقعات للمهام ذات الملاءمة المنخفضة (مثل الوسائط الإبداعية، التغذية الراجعة المعقدة).
الحوكمة: يشير انخفاض المخاطر المدركة للأخطاء إلى أن المستخدمين يثقون في الأداة، ولكن يجب على المؤسسات الحفاظ على إجراءات تحقق صارمة، خاصة في سياقات البحث حيث الدقة أمر بالغ الأهمية.
التعاون بين الإنسان والذكاء الاصطناعي: تدعم النتائج رؤية الذكاء الاصطناعي التوليدي كـ أداة تكميلية تعزز الخبرة البشرية بدلاً من استبدالها، خاصة عند دمجها مع المعرفة المتخصصة في المجال.

المحددات:
يشير المؤلفون إلى أن الدراسة استكشافية وتعتمد على عينة مختارة ذاتياً وغير ممثلة. تعتمد النتائج على التقارير الذاتية بدلاً من مقاييس الإنتاجية الموضوعية. كما أن الطبيعة المقطعية للمقارنة الزمنية تحد من القدرة على الجزم بشأن منحنيات التعلم الفردية. تتطلب الأبحوث المستقبلية تصميماً طولياً وبيانات أداء موضوعية.