حرب الموظفين الرقميين: لماذا هزمت 19 نموذجاً من Perplexity نموذج GPT-5 بقيمة 19.6 مليار دولار؟

في 25 فبراير 2026، وقعت حدثان تاريخيان في صناعة الذكاء الاصطناعي غيرا مستقبل هذه التكنولوجيا للأبد. أطلقت Perplexity AI نظام Computer الخاص بها - منسق 19 نموذجاً يعدك بأن يكون موظفك الرقمي مقابل 200 دولار شهرياً. في نفس الوقت، كشفت تقارير WSJ و Fortune أن OpenAI فشلت في مشروع GPT-5: تشغيلان تدريبيان بتكلفة إجمالية 19.6 مليار دولار، كلاهما غير ناجح. هذه قصة استراتيجيتين متعارضتين تماماً. اختارت Perplexity نهج تنسيق النماذج المتعددة: 19 نموذجاً متخصصاً ينسقها Claude Opus 4.6 كدماغ مركزي. كل نموذج متخصص في مجال محدد - من برمجة الواجهة الأمامية مع Claude 3.5 Sonnet إلى تحليل البيانات مع Gemini 1.5 Pro والحسابات الرياضية مع Wolfram Alpha. يمكن لهذا النظام إدارة المشاريع المعقدة من الصفر إلى النشر: البحث، التصميم، البرمجة، النشر، والإدارة - كل ذلك تلقائياً. إحدى أهم ابتكارات Perplexity هي بيئة Sandbox، التي تعلمت من كارثة OpenClaw (نوفمبر 2025). يعمل جميع الأكواد التي يولدها الذكاء الاصطناعي في بيئة Docker معزولة مع مراقبة في الوقت الفعلي وإمكانية التراجع. هذا يعني أنه حتى لو أخطأ الذكاء الاصطناعي، يبقى نظامك آمناً. نموذج تسعير Perplexity هجين: 200 دولار شهرياً مقابل 100 ساعة وقت حوسبة، و500,000 رمز إدخال، و100,000 رمز إخراج. بعد ذلك، تبدأ الفوترة لكل رمز. يبدو هذا السعر مرتفعاً للمستخدمين العاديين، لكن للمطورين المحترفين الذين يمكنهم توفير ساعات من الوقت، إنه معقول. على الجانب الآخر من القصة، واجهت OpenAI أزمة GPT-5. المشكلة الرئيسية كانت أن توسيع ما قبل التدريب لم يعد يعمل. عندما زادت OpenAI معاملات GPT-5 بمقدار 10 أضعاف عن GPT-4 (من 1.7 تريليون إلى 17 تريليون)، تحسن الأداء بنسبة 10٪ فقط - وليس 100٪ أو حتى 50٪. الأسباب؟ جودة بيانات منخفضة (لم تعد هناك بيانات عالية الجودة على الإنترنت)، وعوائد متناقصة في التوسيع، والإفراط في التكيف. اعترف Sam Altman في مقابلة: "اعتقدنا أننا نستطيع فقط التوسع. كنا مخطئين. عصر توسيع ما قبل التدريب قد انتهى." اضطرت OpenAI لتغيير الاستراتيجية والتركيز على نماذج الاستدلال (o1 و o3). لكن هذه النماذج لا تزال لا تستطيع استبدال GPT-5 - إنها بطيئة جداً (5-30 ثانية لكل إجابة) ومكلفة (15-60 دولار لكل مليون رمز). المقارنة مع Gemini 3.1 Pro مثيرة للاهتمام أيضاً. نجحت Google من خلال الجمع بين ما قبل التدريب والاستدلال، والوصول إلى بيانات أفضل (YouTube، Gmail، Google Docs)، والتسعير المعقول (20 دولار/شهر). هذا يظهر أن النهج الهجين أفضل من التركيز فقط على استراتيجية واحدة. يعلمنا تحليل هذين الحدثين عدة دروس مهمة. أولاً، الأكبر ليس دائماً الأفضل - عصر "الأكبر = الأفضل" في الذكاء الاصطناعي قد انتهى. ثانياً، تنسيق النماذج المتعددة يتفوق على توسيع النموذج الواحد - 19 نموذجاً متخصصاً أفضل من نموذج عام عملاق واحد. ثالثاً، التنسيق بنفس أهمية النماذج نفسها - Claude Opus 4.6 كمحرك استدلال يلعب دوراً رئيسياً. رابعاً، Sandbox ضروري وليس اختيارياً. وخامساً، أحياناً يكون تغيير الاستراتيجية أفضل من الإصرار على المسار الخاطئ. هذه القصة لها تشابه غريب مع مفارقة ألعاب Nvidia التي حللناها سابقاً. تخلت Nvidia عن الألعاب وركزت على الذكاء الاصطناعي - كانت النتيجة نجاحاً مذهلاً. تخلت OpenAI عن ما قبل التدريب وركزت على الاستدلال - النتيجة لا تزال غير مؤكدة. تخلت Perplexity عن النموذج الواحد وركزت على النماذج المتعددة - النتيجة نجاح أولي. ما هو مستقبل الموظفين الرقميين؟ توجد سيناريوهات مختلفة. في السيناريو المتفائل، بحلول 2027 يستخدم نصف المطورين الموظفين الرقميين وبحلول 2030 يصل هذا إلى 80٪. في السيناريو المتشائم، هذه الأدوات مفيدة فقط للمهام البسيطة والمشاريع المعقدة لا تزال بحاجة إلى البشر. السيناريو الواقعي على الأرجح في مكان ما بينهما: يصبح الموظفون الرقميون أدوات قياسية، لكن البشر لا يزالون يلعبون أدواراً رئيسية. سؤال مهم: هل ستجعل هذه الأدوات المبرمجين عاطلين عن العمل؟ الإجابة القصيرة: لا. قد يواجه المبرمجون المبتدئون ضغطاً، لكن المبرمجون الكبار الذين يمكنهم تصميم البنية يظلون ذوي قيمة. يتحول دور المبرمج من "كتابة الكود" إلى "تصميم الأنظمة." توجد أيضاً قيود. Perplexity Computer بسعر 200 دولار/شهر ليس ميسوراً للكثيرين، واستخدام 19 نموذجاً يمكن أن يكون مربكاً، وبدون إنترنت لا يمكنك فعل أي شيء. نماذج الاستدلال GPT-5 لها أيضاً مشاكلها: سرعة منخفضة، وتكلفة عالية، وحالات استخدام محدودة. الخلاصة النهائية: مستقبل الذكاء الاصطناعي في تنسيق النماذج المتعددة، وليس توسيع النموذج الواحد. كانت Perplexity أول من فهم هذا وأثبتته بالنجاح الأولي. تعلمت OpenAI درساً باهظ الثمن من فشل GPT-5: أحياناً لا يكفي أن تكون أكبر - يجب أن تكون أذكى.