لا تحتفظ الشركات الحديثة بمعرفتها في مكان واحد. فالحقائق الجوهرية المتعلقة بالعملاء، والعقود، والأداء المالي تعيش في قواعد بيانات مهيكلة، حيث تُنظم البيانات في صفوف وأعمدة. وفي الوقت نفسه، تقبع القصص الكامنة وراء تلك الأرقام — مثل تقارير الحوادث، ووثائق السياسات، وسجلات العمليات — في ملفات نصية غير مهيكلة، وجداول بيانات، وملفات PDF. ولعقود من الزمن، عانت أنظمة الذكاء الاصطنايعي من أجل سد هذه الفجوة؛ حيث يتفوق نوع من الأنظمة، يُعرف باسم "التوليد المعزز بالاسترجاع" (RAG)، في إيجاد الإجابات داخل المكتبات الضخمة من النصوص لكنه لا يستطيع إجراء الحسابات الدقيقة التي تتطلبها قاعدة البيانات. بينما يمكن لنوع آخر، قادر على ترجمة الأسئلة البشرية إلى استعلامات لقواعد البيانات، معالجة الأرقام لكنه لا يستطيع قراءة دليل السياسات أو فهم تسلسل الأحداث في تقرير سردي. هذا الانفصال يجبر الشركات على الاختيار بين الدقة والسياق، مما يتركها غالباً بإجابات غير مكتملة لأسئلة معقدة تتطلب كليهما.

يقترح نهج جديد، فصله بحث حديث لـ "هارشيل لودهيا" من شركة "سلايسد هيلث" (Sliced Health)، حلاً موحداً يعامل معرفة المؤسسات كمنظومة واحدة مترابطة بدلاً من كونها مجموعة من الصوامع المعزولة. يقدم الباحث نظاماً يسمى "وكيل المعرفة ذاتي التحسين للشركات (RAG+SQL)". هذا ليس مجرد أداة للبحث عن النصوص أو كتابة الأكواد؛ بل هو بنية تحتية وسيطة مصممة لتعمل كقائد مركزي لمصادر المعلومات المتنوعة. فهو يأخذ سؤالاً باللغة الطبيعية، ويجزئه إلى مهام محددة، ثم يدير تسلسلاً من الإجراءات: استرجاع المستندات ذات الصلة، وتتبع خريطة العلاقات بين الأحداث، وتنفيذ استعلامات دقيقة لقواعد البيانات. والأهم من ذلك، أن النظام لا يتوقف عند توليد الإجابة؛ بل يراقب أداءه باستمرار، ويتعلم من كل تفاعل لتحسين كيفية اختيار الأدوات، واسترجاع المعلومات، والتحقق من عمله. والنتيجة هي نظام يمكنه الإجابة على أسئلة مثل: "أي العملاء المتأثرين بانقطاع الخدمة الأسبوع الماضي لديهم أيضاً دعم متميز في عقودهم؟" من خلال القراءة المتزامنة لتقرير الحادث، والتحقق من الحسابات المتأثرة في قاعدة البيانات، والتحقق من شروط العقود، كل ذلك مع ضمان أن تكون الإجابة النهائية آمنة ودقيقة وموثقة بالكامل.

يكمن الابتكار الجوهري في كيفية تخطيط النظام لعمله قبل البدء. فبدلاً من مطالبة نموذج واحد للذكاء الاصطناعي بتخمين الإجابة، يقوم الوكيل أولاً بتفكيك سؤال المستخدم إلى "خطة أدلة نمطية". هذه الخطة هي تسلسل مهيكل من العمليات، يشبه قائمة مراجعة لمحقق ماهر. بالنسبة لاستعلام معقد، قد يقوم الوكيل أولاً بتحديد الحادث المحدد في سجل ما، ثم يستخدم تلك المعلومات للعثجور على أسماء العملاء المعنيين، وأخيراً يستخدم تلك الأسماء لتصفية قاعدة البيانات للحصول على تفاصيل العقود. يتم تخصيص أداة محددة لكل خطوة في هذه الخطة: أداة لقراءة النص، وأخرى للتنقل في رسم بياني للعلاقات، وثالثة لكتابة وتشغيل أوامر قاعدة البيانات. ومن خلال فصل مرحلة التخطيط عن مرحلة التنفيذ، يضمن النظام أن كل قطعة من المعلومات التي يجمعها ذات صلة وأن المنطق الذي يربط بينها قابل للتدقيق. هذا الهيكل يمنع النظام من اختلاق الحقائق (الهلوسة) أو تقديم استنتاجات غير مدعومة، حيث يجب أن تكون كل دعوة في الإجابة النهائية مدعومة بقطعة محددة من الأدلة التي تم جمعها أثناء العملية.

وللتعامل مع الطبيعة الواسعة والمتنوعة لبيانات المؤسسات، يستخدم النظام استراتيجية استرجاع هجينة تجمع بين ثلاث طرق متميزة. فهو يستخدم "البحث الشعاعي الكثيف" (Dense Vector Search) للعثัง نص يشبه السؤال دلالياً، حتى لو لم تتطابق الكلمات تماماً. كما يستخدم "المطابقة اللفظية" (Lexical Matching) للعث finding المصطلحات الدقيقة، وهو أمر حيوي للأكواد أو الأسماء المحددة. والأهم من ذلك، أنه يستخدم نهجاً قائماً على "الرسم البياني" (Graph-based approach) لفهم العلاقات. في هذا الرسم البياني، ترتبط الأحداث والمستندات وسجلات قواعد البيانات ببعضها البعض. إذا سأل سؤالاً عن سلسلة الأحداث المؤدية إلى فشل ما، يمكن للنظام عبور هذا الرسم البياني لتتبع المسار السببي من الخطأ الأولي إلى التأثير النهائي، بدلاً من مجرد البحث عن كلمات رئيسية. وهذا يسمح للوكيل بإعادة بناء روايات معقدة، مثل تسلسل الأحداث وراء دفعة دفع فاشلة، من خلال ربط النقاط بين إدخال السجل، وانتهاك السياسة، وصف محدد في قاعدة البيانات.

يتم فرض السلامة والدقة من خلال خطوات تحقق صارمة تحدث قبل تقديم أي إجابة نهائية للمستخدم. فعندما يولد النظام استعلاماً لقاعدة البيانات، فإنه لا يقوم بتشغيله ببساطة؛ بل يتحقق أولاً من الاستعلام مقابل نسخة مبسطة من مخطط قاعدة البيانات (Schema)، لضمان أنه لا يصل إلا إلى الجداول والأعمدة التي يُسمح للمستخدم بالوصي عليها. ثم يتم اختبار الاستعلام في "بيئة تجريبية للقراءة فقط" (Read-only Sandbox)، وهي بيئة آمنة حيث يمكن تنفيذه دون خطر تعديل أو حذف أي بيانات. يتحقق النظام من أن الاستعلام صحيح برمجياً وأن النتائج منطقية في سياق السؤال. وإذا فشل الاستعلام في التحقق أو إذا كانت الأدلة المسترجعة غير كافية، فتم تصميم النظام للامتناع عن تقديم إجابة بدلاً من التخمين. وبدلاً من ذلك، سيشرح المعلومات المفقودة أو سبب عدم قدرته على المضي قدماً، وهي ميزة بالغة الأهمية للحفاظ على الثقة في البيئات عالية المخاطر مثل التمويل أو الامتثال.

ولعل الجانب الأكثر ديناميكية في هذه البنية هو قدرتها على "التحسين الذاتي". يعمل النظام كمسألة تحكم مغلقة الحلقة (Closed-loop control problem)، حيث يعدل سلوكه باستمرار بناءً على التغذية الراجعة من العالم الحقيقي. ومع معالجة النظام لآلاف الاستعلامات، فإنه يجمع بيانات القياس المتعلقة بالتكلفة والسرعة ودقة قراراته. فهو يتتبع أي النماذج كان أداؤها أفضل لمهام معينة، وأي طرق الاسترجاع قدمت أكثر المستندات صلة، وأين كانت حدود التحقق بحاجة إلى تعديل. وباستخدام هذه البيانات، يقوم النظام تلقائياً بتحديث سياساته الداخلية. فإذا أصبح نموذج معين للذكاء الاصطناعي أبطأ أو أقل دقة بمرور الوقت، يتعلم النظام توجيه مهام أقل إليه. وإذا فشل نوع معين من استرجاع المستندات باستمرار في العث find المعلومات الصحيحة، يقوم النظام بتعديل أوزان البحث لديه لإعطاء الأولوية لطرق أخرى. تضمن دورة التعلم المستمرة هذه أن الوكيل لا يظل ثابتاً، بل يتطور جنباً إلى جنب مع المشهد المتغير لبيانات المؤسسات واحتياجات المستخدمين والتكنولوجيا المتاحة.

يوضح البحث مخططاً عملياً لبناء مثل هذا النظام باستخدام تقنيات موجودة وقوية. فهو يقترح استخدام قواعد بيانات علاقية قياسية لتخزين البيانات الوصفية وهياكل الرسوم البيانية، جنباً إلى جنب مع قواعد بيانات شعاعية (Vector Databases) لإدارة تضمينات النصوص. البنية معيارية (Modular)، مما يسمح للمؤسسات بتبني مكونات فردية، مثل ترجمة الاستعلامات المدركة للمخطط أو الاستدلال عبر رسم بياني للأحداث، قبل دمج حلقة التحسين الذاتي الكاملة. تعني هذه المرونة أنه حتى عمليات التنفيذ الجزئية يمكن أن تقدم قيمة كبيرة من خلال تحسين دقة مهام محددة، مثل إنشاء تقارير قواعد البيانات أو تلخيص سجلات الحوادث. الهدف النهائي ليس استبدال المحللين البشريين، بل تزويدهم بمساعد قوي وموثوق يمكنه التنقل في تعقيد معرفة المؤسسات الحديثة، وتحويل البيانات المجزأة إلى رؤى متماسكة وقابلة للتنفيذ.

تشير النتائج إلى أن معاملة الإجابة على أسئلة المؤسسات كمسألة تحكم متعددة الأدوات، بدلاً من مجرد بحث نصي بسيط، يوفر مساراً نحو ذكاء اصطناعي موثوق في مجال الأعمال. فمن خلال الجمع بين نقاط القوة في استرجاع النصوص، والاستدلال الرسومي، وتنفيذ قواعد البيانات ضمن إطار عمل واحد ذاتي التصحيح، يعالج النظام القيود الأساسية للنهج السابقة. إنه يقر بأنه لا يوجد نموذج أو طريقة واحدة يمكنها حل كل مشكلة، ويركز بدلاً من ذلك على تنسيق مجموعة متنوعة من الأدوات لإنتاج نتيجة موحدة. يثبت البحث أنه مع التصميم الدقيق، بما في ذلك التحقق الصارم، والتحكم في الوصول، والتحسين المستمر، من الممكن بناء وكلاء ليسوا أذكياء فحسب، بل آمنين وشفافين وقادرين على التحسن بمرور الوقت. ويمثل هذا النهج خطوة مهمة نحو تحقيق إمكانات الذكاء الاصطناعي لفهم والتفاعل حقاً مع الواقع المعقد والمتعدد الأوجه للمؤسسات الحديثة.