حائزو ميدالية فيلدز في مواجهة معايير الذكاء الاصطناعي: درس للمسوّقين

لا يكتب علماء الرياضيات عادةً رسائل مفتوحة عن التسويق. لكن الحجة التي طرحتها مجموعة من حائزي ميدالية فيلدز في سبتمبر تنطبق حرفيًا تقريبًا على طريقة قياس صناعتنا للذكاء الاصطناعي. ومفادها: حل المسائل مؤشر بديل، والهدف الحقيقي هو الفهم. وإذا خلطت بين الاثنين، فقد تُلحق الضرر بالشيء نفسه الذي كنت تحاول تحسينه.

ما الذي حدث

بحسب The Next Web، نُشر في 11 سبتمبر إعلان بعنوان A Severe Misalignment of AI in Mathematics على موقع mathandai.org. ويسرد الموقع 25 موقّعًا، منهم Terence Tao وPeter Scholze وMaryna Viazovska وCédric Villani وPierre Deligne وManjul Bhargava وMartin Hairer. ويرى الإعلان أن حل المسائل أداة ومؤشر بديل، بينما الهدف الأساسي للرياضيات هو الفهم المفاهيمي والبصيرة. ويحذّر من أن الإنتاج الضخم لعبارات صحيحة أو خاطئة بوتيرة متزايدة «قد يدمّر أرضًا خصبة». وتصفه TNW بأنه بيان بشأن معايير الأداء؛ ولا يسمّي أي حدث بعينه.

وفي الأسبوع نفسه، انتقدت رسالة مفتوحة منفصلة «ماراثون رياضيات» للذكاء الاصطناعي ينظمه طلاب في Caltech، واصفةً الصيغة بأنها «رياضيات رديئة»، ومحتجّةً بأن جهد التحقق من نتائج الذكاء الاصطناعي وتصحيحها يبقى «بلا تعويض ولا اعتراف ولا تقدير». وتفيد TNW بأن OpenAI سحبت أرصدتها البالغة مليون دولار أمريكي من الفعالية في 10 سبتمبر، بينما أبقت Anthropic على مساهمتها، وأن المنظمين أضافوا اشتراطات لكنهم لم يلغوا الفعالية.

لماذا يهم ذلك

شكوى علماء الرياضيات تتعلق بفخ مألوف. فحين تصبح مسألة صعبة وشهيرة معيارًا للأداء، تُحسّن المختبرات أداءها لإنتاج إجابات عنها. الإجابات قابلة للقياس. أما الفهم فلا. ومع الوقت، يزاحم الشيء القابل للقياس الشيء الثمين، ويُترك لشخص آخر أن يتحقق من المخرجات.

والذكاء الاصطناعي التسويقي يعاني هذه المشكلة بالضبط. فنحن نقيّم الأدوات بما يسهل عدّه: عدد الأصول المولّدة، والوقت الموفَّر، ومعدل النقر إلى الظهور، وحصة إجابات الذكاء الاصطناعي التي تذكر العلامة التجارية. هذه الأرقام مهمة. لكن هدف التسويق ليس المخرجات؛ بل فهم العملاء بما يكفي لخدمتهم، وبناء علامة تجارية يثق بها الناس. والنظام الذي يُغرق القنوات بالمحتوى ويفوز في المقاييس البديلة قد يقوّض الأمرين بصمت.

ونقطة التحقق غير المدفوع تصيب الهدف أيضًا. فالمحتوى المولّد رخيص الإنتاج ومكلف التحقق. وإذا كان التحقق غير مرئي في مقاييسك، فإن «مكاسب الإنتاجية» لديك خدعة محاسبية جزئيًا.

ماذا تقول أبحاثي

بُنيت أبحاثي الأخيرة حول هذا التمييز. ففي ورقتنا في SIGIR 2026، ‏SOMIN: Agentic AI for Automating Professional Visibility and Countering Content Homogenization، المشكلة التي نعالجها هي تحديدًا أن المحتوى الذي يكتبه الذكاء الاصطناعي يتقارب: مساعد كل شخص ينتج المنشورات نفسها المتقنة والعامة. ونهجنا هو استرجاع بيانات سياق حقيقية قبل الكتابة، كي تبقى المخرجات مميزة. والحجم بلا تميّز هو النسخة التسويقية من «المحتوى الرديء».

وعلى صعيد القياس، جادلت على e27 بأن كل لوحات المعلومات خضراء، ومع ذلك لا أحد يستطيع أن يقول ما الذي نجح. فالمقاييس البديلة التي تشير كلها إلى الأعلى لا تعني معرفة ما سبّب النتائج. وفي عملنا في الذكاء الاصطناعي القابل للتفسير، من Against Opacity إلى MindFuse، ليس الهدف تنبؤًا أفضل فحسب، بل تفسيرًا يمكن للمسوّق أن يتعلم منه. وهذا هو المكافئ التسويقي لـ«الفهم المفاهيمي» لدى علماء الرياضيات.

ما الذي يمكن أن تستخلصه فرق التسويق من ذلك

• سمِّ الهدف الكامن وراء كل مقياس. لكل مؤشر أداء رئيسي للذكاء الاصطناعي، اكتب جملة واحدة عن النتيجة الحقيقية التي يُفترض أن يمثلها، وتحقّق دوريًا من أن الصلة لا تزال قائمة.
• احسب تكلفة التحقق. تتبّع الوقت البشري المستغرق في مراجعة مخرجات الذكاء الاصطناعي وتصحيحها، وأدرجه في حساب العائد على الاستثمار.
• قِس التميّز. قارن محتواك المدعوم بالذكاء الاصطناعي بمحتوى المنافسين. فإذا كان يصبح غير قابل للتمييز، فأنت تكسب مؤشرًا بديلًا وتخسر العلامة التجارية.
• فضّل التفسيرات على الدرجات. الأداة التي تخبرك لماذا نجح شيء ما تبني معرفة الفريق؛ والأداة التي تخبرك فقط بأنه نجح تبني الاعتماد عليها.
• اعترف بفضل البشر. إذا كان الناس ينظفون مخرجات الذكاء الاصطناعي، فاجعل هذا العمل مرئيًا ومقدّرًا، لا مفترضًا.

علماء الرياضيات يحمون مجالهم من ثقافة معايير أداء تخلط بين الإجابات والفهم. وعلى التسويق أن يحمي نفسه من الخطأ نفسه.

الأسئلة الشائعة