بعد «وداعًا للمبرمجين»… من سيحوّل الفكرة إلى منتج يعمل؟
خلال آخر ١٢ شهرًا، وأنا أقدّم الاستشارات وأساعد شركات على التحول نحو الذكاء الاصطناعي، وأجلس مع شباب يعملون على أفكارهم، لاحظت شيئًا مشتركًا: هناك نضج أكبر في حالات الاستخدام، واحتياجات أوضح، وكثيرون بدأوا فعلًا في استخدام النماذج العامة لل...
بقلم محمد بدوي، رائد أعمال وخبير في التحول الرقمي والذكاء الاصطناعي
- نُشر
- الكلمات
- 1,696
- وقت القراءة
- 9 د
- المشاهدات
- 17
زبدة التدوينة : بعد «وداعًا للمبرمجين»… من سيحوّل الفكرة إلى منتج يعمل؟
أصبح بناء نموذج أولي بالذكاء الاصطناعي أسهل، لكن تحويله إلى منتج موثوق يحتاج إلى خبرة تربط التقنية بالعمل. هنا تتكامل أدوار **AI FDE** لبناء الحل وتشغيله، و**AI FDPM** لاختيار المشكلة وقياس قيمة المنتج. ولمن يريد البدء، أعددت دليلًا عربيًا وخارطة طريق تفاعلية، مع مهارة وقوالب للمشاريع، وأعمل عبر **Livecto** على جمع فهم المشروع والقيادة التقنية والتنفيذ في سياق مستمر.
خلال آخر ١٢ شهرًا، وأنا أقدّم الاستشارات وأساعد شركات على التحول نحو الذكاء الاصطناعي، وأجلس مع شباب يعملون على أفكارهم، لاحظت شيئًا مشتركًا: هناك نضج أكبر في حالات الاستخدام، واحتياجات أوضح، وكثيرون بدأوا فعلًا في استخدام النماذج العامة للوصول إلى نتائج مفيدة. وبعضهم تجاوز ذلك إلى بناء منصات ومنتجات لحاجاته.
في البدايات، كانت نشوة الإنجاز عالية.
شخص لم يبرمج في حياته أصبح لديه تطبيق. وصاحب شركة شاهد فكرته تتحول إلى شاشات خلال ساعات. ومبرمج أنجز خلال أيام ما كان يستغرق منه أسابيع.
وبعضهم قالها بوضوح: «وداعًا للمبرمجين».
لكن بعد فترة بدأت الأسئلة تتغير.
التطبيق يعمل عندي، لماذا لا يعمل على الخادم؟ لماذا إضافة بسيطة عطّلت أجزاء أخرى؟ لماذا ترتفع فاتورة الاستخدام؟ وكيف نضمن أن العميل لا يرى بيانات عميل آخر؟
أما من لم يبدأ، فبعضهم أصبح أكثر حيرة: الأدوات كثيرة، وكل يوم يظهر أسلوب جديد، ولا يعرف من أين يبدأ أو كيف يميّز الحل المناسب من الحل الذي يبدو مبهرًا فقط.
من وجهة نظري، هذه المرحلة تكشف قيمة الخبرة التقنية أكثر. الوصول إلى نسخة أولية أصبح أسرع، بينما تحويلها إلى منتج آمن، قابل للتوسع، بتكلفة مقبولة، ويستخدمه الناس فعلًا، ما زال يحتاج إلى قرارات ومسؤولية.
وهنا تظهر أهمية دورين يستحقان أن يفهمهما كل من يعمل بالتقنية: AI FDE وAI FDPM.
ماذا يعني أن تعمل قريبًا من المشكلة؟
قبل فك الاختصارات، تخيّل معي هذا المشهد.
شركة تريد استخدام الذكاء الاصطناعي في خدمة العملاء. تجلس الإدارة مع الفريق التقني، وتطلب مساعدًا ذكيًا يجيب عن الأسئلة. يبدأ التنفيذ، وتظهر واجهة جميلة، وتنجح بعض التجارب.
ثم يدخل الموظفون والعملاء الحقيقيون.
تختلف الإجابة باختلاف عقد العميل. وتوجد سياسة قديمة داخل ملف ما زال النظام يرجع إليه. وبعض الاستثناءات يعرفها موظف واحد، وبعض البيانات موزعة بين البريد ونظام المبيعات وجداول متفرقة.
كل هذا جزء من المنتج الذي نحاول بناءه، حتى لو لم يظهر في الطلب الأول.
فكرة Forward Deployed تقوم على الاقتراب من هذا الواقع: العمل إلى جانب العميل، وفهم إجراءاته وأنظمته وبياناته، ومتابعة الحل حتى يصبح مفيدًا داخل بيئته.
وقد يتحقق هذا القرب بالحضور أو بالتعاون اليومي عن بعد. المهم أن تصل إلى تفاصيل العمل التي تؤثر في نجاح الحل.
AI FDE: المهندس الذي يحمل الفهم إلى التنفيذ
اختصار FDE يعني Forward Deployed Engineer. ويمكن تقريب المعنى إلى «مهندس يعمل مع العميل داخل واقعه التشغيلي». وعندما نتحدث عن AI FDE، فنحن نركز على تطبيق هذا الدور في حلول الذكاء الاصطناعي.
تصف OpenAI هذا النموذج بالعمل إلى جانب فريق العميل لفهم سير العمل، وربط المعلومات والأنظمة، وبناء الحلول وتقييمها ونقلها إلى التشغيل.
عمليًا، يحتاج هذا المهندس إلى فهم ما يحاول العميل إنجازه، ثم اتخاذ قرارات مثل: هل نحتاج إلى نموذج لغوي هنا؟ هل المشكلة تحتاج إلى بحث داخل الوثائق؟ هل نستدعي بيانات من النظام مباشرة؟ وأين تكفي قواعد برمجية واضحة؟
بعدها يبني التكاملات، ويختبر النتائج، ويعالج الفشل، ويراقب الجودة والتكلفة وزمن الاستجابة.
فإذا طلب العميل نظامًا يُعدّ عروض الأسعار، عليه أن يفهم مصدر السعر المعتمد، والصلاحيات، وطريقة الحساب، وحدود الخصومات، وما الذي يحتاج إلى موافقة إنسان.
هذه التفاصيل هي ما يجعل الحل قابلًا للاستخدام.
وحتى عندما يكتب وكيل البرمجة جزءًا كبيرًا من الكود، تبقى مسؤولية فهمه ومراجعته والتحقق من أثره قائمة.
AI FDPM: مدير المنتج الذي يتابع تحقق القيمة عند العميل
اختصار FDPM يعني Forward Deployed Product Manager، ويمكن تقريب المعنى إلى «مدير منتج يعمل مع العميل داخل واقعه التشغيلي».
هذا الشخص يراقب الإجراء، ويتحدث مع المستخدمين وأصحاب القرار، ويميز بين ما يطلبه العميل وما يحتاجه فعلًا. ثم يحدد نطاق البداية، ومعايير النجاح، وكيف سنعرف أن الحل أحدث فرقًا.
وقد تجد هذا التوجه في وصف دور FDPM لدى Scale AI، حيث ترتبط المسؤولية بنتائج المنتج داخل بيئة العميل، والتعاون مع FDE، وإعادة الدروس إلى المنتج الأساسي.
لنعد إلى عروض الأسعار.
من السهل أن نضع هدفًا عامًا مثل «بناء منصة ذكية للمبيعات». لكن مدير المنتج الذي يفهم العمل قد يقترح بداية أدق:
تجهيز مسودة عرض سعر من طلب العميل، مع اكتشاف البيانات الناقصة، وتقليل وقت الإعداد، والإبقاء على اعتماد العرض النهائي لدى الموظف المسؤول.
بعدها تظهر أسئلة مهمة: كم يستغرق العمل حاليًا؟ كم يستغرق بعد إضافة المراجعة؟ ما الأخطاء المقبولة؟ هل يستخدم الموظفون الحل، أم يعودون إلى طريقتهم القديمة؟
هنا تصبح القيمة قابلة للفحص.
ومسميات هذه الأدوار وحدودها تختلف بين الشركات؛ لذلك أنصح دائمًا بقراءة المسؤوليات قبل الانشغال بالمسمى.
وكيف يرتبط الدوران بالـCTO؟
العمل التقني يحتاج إلى مستويات مختلفة من التفكير، ويمكن تبسيط العلاقة بينها بهذا الشكل:
| الدور محور المسؤولية |
| AI FDPM | اختيار المشكلة والنطاق، وفهم المستخدم، وقياس التبنّي والقيمة |
| AI FDE | بناء الحل وربطه بالأنظمة، والتحقق من جودته وتشغيله |
| CTO | الاتجاه التقني، والمعمارية، والمفاضلات والمخاطر، وقدرة الفريق على الاستمرار |
قد يجمع شخص واحد بعض هذه المسؤوليات في مشروع صغير. ومع زيادة التعقيد، تصبح الحاجة إلى توزيعها أوضح.
والـCTO الجيد يعرف متى نحتاج إلى بناء منتج، ومتى يكفي شراء أداة، ومتى يجب تأجيل ميزة، ومتى يصبح الحل السريع دينًا تقنيًا ستدفع الشركة ثمنه لاحقًا.
ولهذا أرى مساحة مهمة لنماذج مثل CTO as a Service، والعمل الهندسي المتخصص القريب من العميل، بحسب حاجة الشركة ومرحلتها.
مثال بسيط يوضح الفرق
لنفترض أن شركة خدمات تستقبل طلبات العملاء بالبريد، ثم ينقل الموظفون البيانات إلى جدول، ويبحثون عن الأسعار، ويجهزون العرض.
قد يكون طلبها الأول: «نريد شات بوت».
لكن مراقبة العمل قد تكشف أن الوقت الأكبر يضيع في استكمال البيانات ومطابقة الخدمات مع كتالوج الأسعار.
هنا يحدد AI FDPM الجزء الذي يستحق البدء به، ويتفق مع الفريق على طريقة قياس الزمن والجودة. ويبني AI FDE استخراج البيانات وربطها بالمصدر الصحيح، ويضيف التحقق والمراجعة ومعالجة فشل التكامل.
وتراجع القيادة التقنية أثر هذا الحل على النظام القائم، والبيانات، والتكلفة، والصيانة.
بعد التجربة، قد نكتشف أن فهم نص العميل ممتاز، لكن مطابقة أسماء الخدمات مع الكتالوج ضعيفة. عندها تصبح الأولوية التالية واضحة.
هذا مثال افتراضي، لكنه يوضح كيف تقود معرفة المشكلة قرارات المنتج والهندسة، وكيف يعيد الاستخدام الفعلي ترتيب الأولويات.
ما الذي يعنيه هذا لك إذا كنت تعمل بالتقنية؟
إذا كنت مبرمجًا، فاقترب أكثر من المستخدم ومن أثر ما تبنيه. تعلّم كيف تسأل عن الإجراء والبيانات والاستثناءات، وكيف تقيّم تطبيقات الذكاء الاصطناعي وتشغّلها.
وإذا كنت مدير منتج أو محلل أعمال، فطوّر فهمك للأنظمة والتكاملات والتقييم والتكلفة. ستحتاج إلى طلاقة تقنية تساعدك على مناقشة المفاضلات واتخاذ قرارات واقعية مع المهندسين.
أما إذا كنت خبيرًا في قطاع معين، فقد تملك معرفة يصعب على الفريق التقني اكتشافها بسرعة: كيف يعمل المجال فعلًا، وأين تقع الأخطاء، وأي الاستثناءات يجب أن تؤخذ بجدية.
معرفتك بالتعليم أو التأمين أو الضيافة أو الخدمات يمكن أن تصبح أساسًا قويًا لبناء حلول مفيدة، إذا استطعت تحويلها إلى احتياجات وقواعد ومعايير تحقق واضحة.
والمبتدئ يستطيع البدء من أساسيات البرمجيات والبيانات، ثم بناء تجربة محدودة يفهم تفاصيلها ويستطيع شرحها.
من أين تبدأ؟ ولماذا أعددت خارطة طريق عربية؟
المشكلة التي أراها عند كثير من المهتمين هي تشتت التعلم. دورة عن الوكلاء، وفيديو عن RAG، وأداة جديدة، ومستودع يعد بنتائج مبهرة. تتراكم المصطلحات، بينما يظل بناء مشروع متكامل مؤجلًا.
لذلك أعددت «AI FDE & AI FDPM — الدليل العربي وخارطة الطريق».
استفدت من فكرة التعلم المرحلي في خارطة CampusX الهندسية، وأعددت محتوى عربيًا مستقلًا يضيف مسار إدارة المنتج والعمل مع العميل، مع أمثلة أقرب إلى جمهورنا واحتياجاته.
الدليل يتضمن ١٨ مرحلة، و٧٢ موضوعًا، و٥٤ معيارًا للإتقان. يبدأ بست مراحل مشتركة، ثم يتفرع إلى ست مراحل للهندسة وست لإدارة المنتج.
وكل مرحلة تحدد ما تحتاجه قبل البدء، وما تتعلمه، وما تبنيه، وكيف تتحقق من النتيجة.
الفكرة أن يكون لديك دليل على تقدمك. عندما تتعلم الاسترجاع، تبني مساعدًا يصل إلى المعرفة ويحترم الصلاحيات. وعندما تتعلم اكتشاف المنتج، تخرج بمشكلة موثقة ونطاق قابل للاختبار. وعندما تتعلم التشغيل، تستطيع التعامل مع فشل حقيقي ومراقبة ما يحدث.
يمكنك تصفح خارطة الطريق العربية التفاعلية، أو التوسع في الدليل الكامل على GitHub.
وأضفت مهارة يمكنك أخذها إلى مشروعك
داخل المستودع توجد أيضًا مهارة SKILL.md، لتكون بذرة يضيفها المطور إلى مشروعه ويخصصها بحسب فريقه وأدواته.
توجّه هذه المهارة وكيل الذكاء الاصطناعي إلى قراءة سياق المشروع، وفهم المشكلة، وتحديد أصغر نطاق مفيد، والنظر إلى المهمة من زاويتي المنتج والهندسة، ثم توثيق ما تحقق وما بقي مجهولًا.
ومعها قوالب للاكتشاف والتقييم ودراسة الحالة، ومرجع لمراجعة جاهزية الإطلاق.
يمكن أن تبدأ بطلب مثل:
اقرأ ملف المهارة وطبّقه على مشروعي. افهم النظام الحالي، وميّز الحقائق عن الافتراضات، ثم اقترح أصغر نتيجة قابلة للاختبار وحدد كيف سنتحقق منها.
يمكنك الوصول إلى المهارة وملفاتها على GitHub، وتطويرها بما يناسب مشروعك.
أين تأتي Livecto في هذه الرحلة؟
خلال بناء المنتجات، تتوزع المعرفة بسهولة: طلب في واتساب، وقرار في اجتماع، وتوضيح داخل تذكرة، ونتيجة اختبار في رسالة أخرى.
ثم تبدأ المهمة التالية، ويُعاد شرح المشروع من جديد، أو يُتخذ قرار دون معرفة السبب الذي بُني عليه القرار السابق.
هذا التحدي من الأسباب التي تجعلني مهتمًا بجمع فهم المشروع والقيادة التقنية والتنفيذ في سياق مستمر، وهو الاتجاه الذي نعمل عليه في Livecto.
تبدأ الفكرة بفهم المنتج والمستخدمين والأنظمة والتقنيات والقيود، والاحتفاظ بموجز للمشروع ومسار واضح للعمل والتسليم. ثم تتجه الرؤية إلى الجمع بين حكم AI CTO وطبقة تنفيذ AI FDE تحمل هذا الفهم إلى التطوير والإصلاح والتحقق والنشر، ضمن حدود متفق عليها.
وبحسب النطاق المعلن وقت كتابة هذه التدوينة، تدعم مساحة العمل موجز المشروع وسير عمل الفريق وسجلات التسليم، بينما تشمل القدرات المخططة ذاكرة المشروع المتصلة وتنفيذ الكود والنشر المستقل. لذلك تُحدّد الإمكانات المتاحة ونطاق العمل في جلسة الاكتشاف.
وهنا أيضًا يجب التفريق بين مهندس بشري متخصص في تطبيق AI ووكيل AI يؤدي مهام هندسية؛ فالعبارة قد تُستخدم بالمعنيين، ورؤية Livecto تتضمن طبقة تنفيذ بالذكاء الاصطناعي.
إذا كانت لديك فكرة توقفت عند نموذج أولي، أو منتج قائم تحتاج إلى تطويره، يمكنك التعرف إلى Livecto والبدء بمناقشة المشكلة والنتيجة التي تريد الوصول إليها.
كيف أعرف أنني أتقدم فعلًا؟
ابنِ مشروعًا تستطيع الحديث عنه بالتفصيل: لماذا اخترت المشكلة؟ كيف كان العمل يتم؟ ما البدائل التي قارنتها؟ أين فشل الحل؟ وكيف قست الجودة والتكلفة والتبنّي؟
وقد تكون نتيجة تجربة ما أنك قررت إيقافها، لأن وقت المراجعة استهلك الوقت الذي وفره الذكاء الاصطناعي. إذا وصلت إلى هذا القرار بأدلة، فقد تعلمت شيئًا مهمًا وحميت المشروع من توسع غير مجدٍ.
لهذا ضمّنت الدليل خطة تطبيق مقترحة خلال ٩٠ يومًا، تبدأ بإجراء محدود وتنتهي بدراسة حالة وقرار واضح. والمدة تتغير بحسب خلفيتك وحجم المشروع، ولا تعادل وحدها خبرة مؤسسية كاملة.
في رأيي، تتسع الفرصة أمام من يجمع معرفة حقيقية بالعمل مع قدرة على البناء والتحقق والتحسين.
اختر إجراءً تعرفه جيدًا، وافهمه مع مستخدميه، ثم ابنِ أصغر تجربة يمكنها تحسينه. احتفظ بالأدلة، ودوّن القرارات، واجعل المشروع التالي يستفيد مما تعلمته.
وبعد نشوة أول شاشة تعمل، هناك متعة أكبر ستعرفها عندما يستخدم أحدهم ما بنيته، ويقول لك: «هذا فعلًا سهّل عليّ شغلي».
للتوسع والتطبيق:
التعليقات (0)
أضف تعليقك ↓لا توجد تعليقات بعد. كُن أول من يعلّق.