An Error Taxonomy for AI-Copilot Assisted Spreadsheet and Analytics Work

على مدى عقود، ظل الجدول الحسابي (السبريدشيت) هو المحرك الهادئ للعالم الحديث، السجل الرقمي حيث تحسب الشركات الأرباح، وتتتبع المخزون، وتخطط الميزانيات. إنها أداة واسعة الانتشار لدرجة أن معظم الناس يستخدمونها دون التفكير في كيفية عملها، ومع ذلك، يعلم الباحثون منذ زمن طويل أنها هشة. فقد أظهرت الدراسات التي تعود إلى تسعينيات القرن الماضي أن الغالبية العظمى من هذه الجداول تحتوي على خطأ واحد جسيم على الأقل، غالباً ما يكون مخفياً في معادلة واحدة تبدو صحيحة ولكنها تحسب رقماً خاطئاً. لسنوات، كان الافتراض بسيطاً: هذه الأخطاء تحدث لأن بشراً ارتكبوا زلة يد أو خطأً في المنطق، مثل كتابة رقم خاطئ أو سحب معادلة إلى الخلية الخطأ. وكان الحل، في نظر الخبراء، هو دائماً المراجعة البشرية—أي أن يقوم شخص آخر بفحص العمل لاكتشاف الزلة قبل أن تسبب ضرراً.

لكن مشهد كيفية بناء هذه الجداول قد تغير بشكل جذري في السنوات القليلة الماضية. فمنذ عام 2023 تقريباً، ظهر نوع جديد من المساعدين داخل هذه الأدوات: مساعد ذكاء اصطناعي يمكنه كتابة المعادلات وبناء تقارير معقدة بمجرد الاستماع إلى طلب بشري بلغة بسيطة. تعد هذه التكنولوجيا بتسريع العمل، لكنها تقدم نوعاً جديداً من عدم اليقين. نحن نعلم أن أنظمة الذكاء الاصطناعي هذه ترتكب أخطاء، وأحياناً تخطئ في الحساب حتى عندما تبدو النتيجة منطقية. والسؤال الحاسم الذي ظل دون إجابة هو: هل يمكن للمراجع البشري اكتشاف خطأ الذكاء الاصطناعي بنفس سهولة اكتشافه للخطأ البشري؟ إذا أنتج الذك p الاصطناعي رقماً خاطئاً قليلاً ولكنه يبدو معقولاً، فهل سيلاحظه موظف متعب، أم سيثق في المخرجات المصقولة ويسمح لخطأ خطير بالمرور؟

تقترح دراسة جديدة طريقة للإجابة على هذا السؤال من خلال معاملة المراجع البشري ليس فقط كشبكة أمان، بل كموضوع للتجربة نفسها. فقد صمم الباحثون، العاملون من الجامعة الوطنية في بنغلاديش وجامعة إيست ويست، مقارنة منضبطة لمعرفة ما إذا كان مصدر الخطأ يغير مدى احتمالية اكتشافه. هم لا يطلبون من الحواسيب ببساطة حل مسائل رياضية ليروا عدد مرات فشلها؛ بل يقترحون سيناريو يقوم فيه محللون حقيقيون ببناء جداول حسابية بطريقتين مختلفتين. إحدى المجموعتين ستبني عملها يدوياً، عبر كتابة كل معادلة بأنفسهم. والمجموعة الأخرى ستستخدم مساعد ذكاء اصطناعي لتوليد نفس المعادلات بناءً على تعليماتهم. سيتم إعطاء كلتا المجموعتين مهاماً متطابقة، مثل إنشاء تقرير ميزانية أو تلخيص بيانات المبيعات، مما يضمن أن صعوبة العمل هي نفسها تماماً للجميع.

بمجرد بناء الجداول الحسابية، يخطط الباحثون لإجراء تدقيق صارم. سوف يفحصون كل ملف للعثور على الأخطاء، وتصنيفها إلى أنواع محددة. سيبحثون عن الأخطاء "الصارخة"، وهي الأخطاء الواضحة مثل رابط مكسور أو إجمالي لا يتطابق بوضوح، والأخطاء "الصامتة"، وهي الأكثر دهاءً. الخطأ الصامت هو الخطأ الذي ينتج فيه الكمبيوتر رقماً يبدو طبيعياً تماماً ولكنه خاطئ لأنه استخدم بيانات خاطئة أو أساء فهم قاعدة ما. يفترض الباحثون أنه بينما قد يكون مساعدو الذكاء الاصطناعي جيدين في تجنب الأخطاء المطبعية الواضحة، إلا أنهم كثيراً ما ينتجون هذه الأخطاء الصامتة. فهم غالباً ما يصيبون في هيكل المعادلة، لكنهم يسيئون تفسير العلاقات الدقيقة بين الأجزاء المختلفة من البيانات، مما يؤدي إلى نتيجة تبدو معقولة ولكنها غير صحيحة.

الجزء الأكثر أهمية من الدراسة هو الطبقة الثانية من الاختبار، والتي تركز على المراجعين البشريين. ستتم مراجعة الملفات من قبل لجنة منفصلة من المحللين، الذين لا يعرفون أي الجداول تم بناؤها بواسطة البشر وأيها بواسطة الذكاء الاصطناعي، وسيقومون بمراجعتها تحت ظروف العمل العادية والضغط الزمني. لن يتم إخبارهم بوجود أخطاء؛ بل سيُطلب منهم ببساطة فحص العمل كما يفعلون في وظيفة حقيقية. يريد الباحثون معرفة ما إذا كان المراجعون أكثر عرضة لتجاهل خطأ إذا كان قادماً من ذكاء اصطناعي. والفرضية التي تقود هذا الجزء من الدراسة هي أن البشر يعانون من نوع من "تحيز الثقة" عند النظر إلى المخرجات المؤتمتة. ولأن العمل الناتج عن الذكاء الاصطناعي غالباً ما يبدو نظيفاً واحترافياً، فقد يشعر المراجع بثقة أكبر في هذا العمل ويبذل وقتاً أقل في التدقيق، مما يؤدي إلى التغاضي عن أخطاء كان سيكتشفها بسهولة لو علم أن بشراً هو من صنعها.

لا تملك الدراسة الأرقام النهائية بعد، حيث إنها تعرض منهجية تجربة منضبطة بدلاً من الإبلاغ عن النتائج المكتملة. ومع ذلك، فإن التصميم مبني لاختبار احتمال محدد ومثير للقلق: وهو أن الأخطاء التي يسببها الذكاء الاصطناعي قد يكون من الصعب اكتشافها أكثر من الأخطاء التي يرتكبها البشر، حتى عندما تكون الأخطاء من نفس الدرجة من الخطورة. إذا أكدت الدراسة ذلك، فهذا يعني أن الطريقة الحالية التي تتبعها الشركات للتحقق من عملها غير كافية. إنها تشير إلى أن مجرد جعل الإنسان ينظر إلى الشاشة ليس كافياً إذا كان هذا الإنسان يثق في الآلة لا شعورياً أكثر من ثقته في الشخص. يجادل الباحثون بأنه إذا كانت أخطاء الذكاء الاصطناعي بالفعل أصعب في الكشف، فإن المؤسسات التي تتبنى هذه الأدوات قد تزيد من خطر اتخاذ قرارات سيئة، حتى لو كان الذكاء الاصطناعي أسرع أو أكثر دقة من الناحية النظرية.

يهدف هذا البحث إلى سد الفجوة بين مجالين نادراً ما تواصلا. فمن ناحية، هناك عقود من الأبحاث حول أخطاء الجداول الحسابية، والتي وضعت خريطة واضحة لكيفية ارتكاب البشر للأخطاء. ومن ناحية أخرى، هناك فيض من البيانات الجديدة التي تظهر كيف تفشل نماذج الذكاء الاصطناعي في هذه المهام نفسها. وما كان مفقوداً هو مقارنة مباشرة تقيس رد الفعل البشري تجاه كليهما. ومن خلال استخدام نفس نظام تصنيف الأخطاء لكل من البشر والآلات، وقياس عدد المرات التي يتم فيها اكتشاف تلك الأخطاء من قبل طرف ثالث، تسعى الدراسة لتقديم إجابة واضحة قائمة على الأدلة. إنها تتجاوز سؤال "كم مرة يخطئ الذكاء الاصطناعي؟" لتسأل السؤال الأكثر عملية: "كم مرة ينجح الذكاء الاصطناعي في تمرير خطئه؟".

تمتد تداعيات هذا العمل إلى ما هو أبعد من الجدول الحسابي نفسه. فهي تمس قضية أوسع تتعلق بكيفية تفاعل البشر مع الآلات الذكية في البيئات عالية المخاطر. إذا وجدت الدراسة أننا أقل يقظة عند مراجعة عمل الذكاء الاصطناعي، فهذا يشير إلى أن الأدوات التي نستخدمها لاتخاذ القرارات قد تخلق نقطة عمياء في حكمنا الخاص. يخطط الباحثون لقياس ليس فقط ما إذا كان يتم العثور على الأخطاء، بل أيضاً مدى الثقة التي يشعر بها المراجعون عندما يقولون إن الملف صحيح. هذا "المعايرة" أمر جوهري؛ فإذا كان المراجعون يشعرون بنفس القدر من الثقة في العمل الناتج عن الذكاء الاصطناعي كما في العمل البشري، لكنهم في الواقع أقل دقة في حكمهم، فإن ذلك يشير إلى تحول جذري في كيفية التحقق من المعلومات.

في نهاية المطاف، هذه الورقة هي مقترح لتجربة ضرورية في عالم يتغير بسرعة أكبر من عاداتنا في السلامة. إنها تدرك أن القواعد القديمة لفحص العمل قد لا تنطبق بعد الآن عندما يكون العمل مكتوباً بواسطة آلة. ومن خلال إعداد اختبار عادل ومنضبط، يأمل المؤلفون في منح الشركات والمحللين صورة واضحة للمخاطر التي يواجهونها. هم لا يقولون إن الذكاء الاصطناعي عديم الفائدة أو يجب حظره؛ بل يقترحون أننا بحاجة إلى فهم الطبيعة المحددة لإخفاقاته قبل أن نأتمنه على أهم أرقامنا. الهدف هو ضمان أنه بينما نسلم المزيد من مهام الكتابة للآلات، لا نفقد القدرة على رؤية الحقيقة عندما تكون مخفية في وضح النهار.