ما الذي يفعله الذكاء الاصطناعي التوليدي فعليًا بتخطيط سلسلة التوريد
كل مورّد أنظمة تخطيط بات يقدّم اليوم مساعدًا ذكيًا. بعد أربعة عشر عامًا من مشاهدة القدرات تُعاد تسميتها وتُعاد بيعها، إليك ما تغيّره هذه التقنية فعلًا — وما لا تغيّره.
منذ أربعة عشر عامًا وأنا أرى النمط نفسه يتكرر في تقنيات سلسلة التوريد: قدرة ما تُعاد تسميتها، وتُعاد تغليفها، وتُعاد بيعها. "استشعار الطلب" أصبح "التنبؤ بالذكاء الاصطناعي" ثم أصبح "التخطيط المدفوع بالتعلم الآلي" وهو الآن "الذكاء الاصطناعي التوليدي" أو "الوكيل". عروض الموردين تتغيّر أسرع من رياضيات التحسين الكامنة تحتها.
لذلك بدأت بحثي لهذا المقال متشككًا. وخرجت منه متشككًا بتحفّظ. الذكاء الاصطناعي التوليدي في التخطيط حقيقي، وهو يُطبَّق فعليًا في بيئات الإنتاج، وهو أصدق تحسين في سهولة استخدام برمجيات التخطيط منذ عقدين. لكن القيمة التي يحققها فعليًا أضيق نطاقًا — وأكثر مللًا — مما تَعِد به الكلمات الافتتاحية في المؤتمرات. إنها في الغالب وقت مخطِّط يُوفَّر في التحليل والشرح. ليست خططًا أفضل، وليست سلسلة توريد ذاتية التشغيل.
هذا هو الفارق، ولماذا يهم في تحديد أين تُنفق أموالك في عام 2026.
ما الذي تفعله فعليًا، بعد نزع الطابع التسويقي
انزع اللغة التسويقية، وستجد أن الذكاء الاصطناعي التوليدي يقوم بسبعة أشياء متمايزة في بيئات التخطيط الإنتاجية اليوم. ليس أي منها "إنتاج تنبؤ أفضل".
الأولى هي التحليلات باللغة الطبيعية على بيانات التخطيط. أضافت SAP في إصدار IBP للربع الثاني من عام 2025 إضافة تتيح للمخططين توليد صيغ IBP في مايكروسوفت إكسل باستخدام لغة عادية. الفائدة هي منحنى تعلّم أقصر، لا رقم أفضل.
الثانية هي تلخيص الاستثناءات والاضطرابات. قدرات التحليل الأحدث من SAP في عام 2025 تلخّص نتائج التحسين والمخزون والتنبؤ المعقدة، وتترجم الحسابات المعقدة إلى لغة طبيعية واضحة. الخطة لم تتغيّر؛ شرحها فقط أصبح أسرع في القراءة.
الثالثة هي توليد السيناريوهات باللغة الطبيعية — وصف اضطراب ("مورّد الفولاذ الرئيسي لدينا أُغلق لثلاثة أسابيع") والحصول على تحليل للأثر اللاحق دون بناء السيناريو يدويًا.
الرابعة هي مساعد المخطِّط، أو "زميل العمل الرقمي". أطلقت Kinaxis منصة Maestro Agents في أكتوبر 2025، وقدّمتها كمساعدين واعين بالسياق ومدمجين في بيئة التخطيط الحيّة.
الخامسة هي الوكلاء المركّبون متعددو الخطوات الذين يستخرجون المعلومات ويفكّرون ويتصرّفون عبر الأنظمة. عزّزت o9 منصة Digital Brain الخاصة بها بوكلاء مركّبين مدعومين بالذكاء الاصطناعي التوليدي مبنيين على مخططها المعرفي المؤسسي.
السادسة والسابعة — البيانات الاصطناعية للتنبؤ عند الانطلاق البارد واستشعار مخاطر الموردين من الوثائق غير المهيكلة — أبكر من حيث النضج لكنها حقيقية. أطلقت Blue Yonder وكلاء ذكاء اصطناعي جددًا ومخططًا معرفيًا لسلسلة التوريد في فعالية ICON 2025 في مايو 2025، جامعةً بين أساليب التنبؤ والتوليد والوكالة.
ما لا يفعله الذكاء الاصطناعي التوليدي بشكل ملحوظ في أي تطبيق إنتاجي موثوق: استبدال محرّك التحسين، أو توليد تنبؤات رقمية يمكن الدفاع عنها بمفرده، أو اتخاذ قرارات مساءلة بشأن اعتماد الخطط. كل مورّد جاد يُبقي إنسانًا في الحلقة ويشدّد على "قابلية التفسير" — ليس لأسباب تسويقية، بل لأن الصناعات الخاضعة للتنظيم لا يمكنها تفويض اعتماد الخطة لنموذج لا يستطيع إظهار عمله.
بطاقة أداء الموردين
سباق التسلّح حقيقي وقد حدث بسرعة. إليك ما طُرح فعليًا، مقابل ما جرى عرضه فقط في تجارب توضيحية.
| المورّد | المنتج | تاريخ الإطلاق | الادعاء الرئيسي (كما ذكره المورّد) |
|---|---|---|---|
| SAP | Joule + Joule Agents، ضمن IBP | 2024–25 | 350 ميزة ذكاء اصطناعي، وأكثر من 2,400 مهارة في Joule بحلول الربع الرابع من 2025 |
| Kinaxis | Maestro Agents | أكتوبر 2025 | تقليص خطوات تقييم مخاطر المخزون من 40 نقرة إلى 4 (في قطاع الأدوية) |
| o9 | Specialized AI Agents | يونيو 2025 | أول تجربة تجريبية للذكاء الاصطناعي التوليدي تنتقل إلى الإنتاج |
| Blue Yonder | Cognitive Solutions + 5 وكلاء | مايو 2025 | مبني على استثمار بقيمة 2 مليار دولار في الذكاء الاصطناعي؛ مدعوم بمخطط معرفي |
| Anaplan | CoPlanner for Demand Planning | سبتمبر 2024 | ذكاء اصطناعي توليدي واعٍ بالسياق في التخطيط |
| OMP | UnisonIQ | أكتوبر 2025 | إطار عمل للتنسيق + مساعد ذكاء اصطناعي توليدي يعمل على مدار الساعة |
| Microsoft | Copilot in Dynamics 365 SCM | 2025 | رؤى الطلب + قابلية تفسير على مستوى الخلية |
النمط عبر جميعها متطابق: الذكاء الاصطناعي يقع في طبقة الواجهة والتنسيق. إنه يساعد المخطِّط على طرح الأسئلة، وقراءة النتائج، وتشغيل سير العمل. أما محرّك التنبؤ والمُحسِّن الكامن تحته فهما إلى حدّ كبير الرياضيات الحتمية نفسها التي كانا عليها قبل ثلاث سنوات.
الأرقام، بأمانة
هنا يفصل النزاهة الفكرية التحليل عن النسخ الحرفي. أكثر إحصائية اقتباسًا في هذه الفئة بأكملها — أن الذكاء الاصطناعي يقلّل خطأ التنبؤ بنسبة 20 إلى 50 بالمئة — تعود إلى مقال واحد لماكنزي. وجدت ماكنزي أن التنبؤ المدفوع بالذكاء الاصطناعي يمكن أن يقلّل الأخطاء وأن تكاليف التخزين يمكن أن تنخفض بنسبة 5 إلى 10 بالمئة، وتكاليف الإدارة بنسبة 25 إلى 40 بالمئة. هذا النطاق حقيقي، لكنه يُعاد تدويره عبر عروض الموردين، وشرائح المحللين، والصحافة المتخصصة، غالبًا مجرّدًا من سياقه الأصلي. تعامل معه كسقف توضيحي، لا كمعيار مرجعي ينبغي أن تتوقعه.
طبقة دراسات الحالة لعام 2025 أكثر تحديدًا لكنها تكاد تكون كلها منسوبة إلى الموردين أنفسهم:
- Kinaxis × إحدى أكبر عشر شركات أدوية: إنتاجية المخطِّط تصل إلى 10 أضعاف، مع تقليص تحديد مخاطر المخزون من 40 نقرة إلى 4.
- SAP IBP × Joule: إنتاجية المخطِّط في تحليل عمليات التنبؤ تحسّنت بنسبة 25% كما ذكرها المورّد.
- SAP Digital Manufacturing: انخفاض يصل إلى 25% في زمن تحليل الأخطاء.
اقرأ هذه بعناية. "إنتاجية المخطِّط 10 أضعاف" و"من 40 نقرة إلى 4" هما الادعاء نفسه مذكورًا مرتين — وما يصفانه هو تقليص النقرات، لا جودة التنبؤ. هذا مكسب إنتاجية حقيقي ومفيد. لكنه ليس الشيء نفسه كخطة أفضل.
أي حجم، وبأي سرعة
تقدير حجم السوق في هذه الفئة يكاد يكون عديم الفائدة ما لم تربطه بمن يقوم بالعدّ وكيف يُعرّف الفئة. المرجعيات التي يمكن الدفاع عنها:
تتوقع Gartner أن ينمو سوق برمجيات إدارة سلسلة التوريد ذات قدرات الذكاء الاصطناعي الوكيل من أقل من 2 مليار دولار في 2025 إلى إنفاق قدره 53 مليار دولار بحلول 2030. وعلى نحو منفصل، تضع MarketsandMarkets سوق "الذكاء الاصطناعي في سلسلة التوريد" الأوسع عند نحو 13.9 مليار دولار في 2025 يرتفع إلى 50.4 مليار دولار بحلول 2032، حيث تحتفظ أمريكا الشمالية بأكبر حصة.
أما بشأن التبنّي، فقد وجد استطلاع McKinsey لحالة الذكاء الاصطناعي لعام 2025 أن 88% من المؤسسات باتت تستخدم الذكاء الاصطناعي في وظيفة عمل واحدة على الأقل، ارتفاعًا من 78% في العام السابق. لكن الاستطلاع نفسه يحمل التفصيل الذي ينبغي أن يبقيك صريحًا: أقلية فقط تنسب إليه حتى الآن أي أثر ملموس على المحصلة النهائية. التبنّي شبه شامل؛ تحقيق القيمة ليس كذلك.
أين لن أنشره بعد
أدبيات التنبؤ صريحة بشكل غير معتاد بشأن نقاط ضعف الذكاء الاصطناعي التوليدي، وهذا الصراحة تأتي من أشخاص لا مصلحة لهم في التقليل من شأنه. أكثر نقطة بيانات تدعو للتواضع: في مسابقة M5 للتنبؤ بالتجزئة — أشد معايير المقارنة العامة صرامة في هذا التخصص — لم تكن الطريقة الفائزة نموذجًا كبيرًا بل مزيجًا متساوي الأوزان من أشجار التعزيز التدريجي (gradient-boosted trees)، قدّمه طالب جامعي. تلك النتيجة ينبغي أن تُلطّف أي ادعاء من مورّد بأن النماذج اللغوية الكبيرة تحسّن دقة التنبؤ. إنها تحسّن شرح التنبؤ.
خمسة أنماط فشل أرى أنها حقيقية في تطبيقات 2025–26:
- الهلوسة في الاستدلال الرقمي. النماذج اللغوية الكبيرة ضعيفة في الحساب والتحسين المقيّد. يخفّف الموردون ذلك بتوجيه الرياضيات إلى محركات حتمية — لكن في اللحظة التي يسرد فيها النموذج النتيجة بلغته، يمكن أن ينحرف عنها.
- الاعتماد على جودة البيانات. التجارب التجريبية تنجح على بيانات منقّحة وتموت في الإنتاج بسبب فوضى البيانات الرئيسية الكامنة تحتها. العمل الصعب في أعالي السلسلة — الحوكمة، البيانات الرئيسية — هو الشرط المسبق، لا لاحقة يمكن تأجيلها.
- فجوات المساءلة. لهذا السبب يشدّد كل مورّد على قابلية التفسير. لا يمكن لمخطِّط خاضع للتنظيم أن يعتمد خطة لا يستطيع الدفاع عنها في تدقيق.
- هاوية الانتقال من التجربة إلى الإنتاج. تتوقع Gartner أن أكثر من 40% من مشاريع الذكاء الاصطناعي الوكيل ستُلغى بحلول نهاية 2027، مستشهدةً بتصاعد التكاليف، وغموض القيمة، وضوابط المخاطر غير الكافية.
- وهم التمكين — شراء القدرة دون تجهيز القوى العاملة أو البيانات لاستخدامها.
الخلاصة غير المريحة
الذكاء الاصطناعي التوليدي هو أفضل تحسين في سهولة الاستخدام شهدته برمجيات التخطيط منذ عشرين عامًا. المخطِّط الذي يستطيع أن يسأل "لماذا تغيّر التنبؤ لهذا المركز التوزيعي الأسبوع الماضي؟" ويحصل على إجابة متماسكة خلال ثلاثين ثانية هو فعليًا أكثر إنتاجية، وهذا المكسب يتراكم عبر الفريق.
لكن هذا المخطِّط نفسه لا يُنتج تلقائيًا تنبؤًا أدق أو خطة توريد أفضل. المحرّك الذي يولّد الرقم لم يتغيّر. النموذج فقط يشرحه أسرع ويتيح لك استجوابه بلغتك الخاصة.
لذلك منطق الشراء لعام 2026 واضح ومباشر. ادفع مقابل الإنتاجية — فهي حقيقية، ومتاحة من موردك الحالي دون قفزة جريئة. لا تدفع مقابل الاستقلالية، لأن ما يُباع على أنه استقلالية هو في الغالب تقليص نقرات يرتدي اسمًا أغلى ثمنًا. وقم بعمل حوكمة البيانات غير البرّاق أولًا، لأنه المتغيّر الذي يحدّد فعليًا ما إذا كان أي من هذا سينجو عند ملامسة الإنتاج.
التقنية حقيقية. التحوّل أكثر تواضعًا من الكلمة الافتتاحية. كلا الأمرين صحيح في آن واحد.
المصادر
- SAP News Center. (2025). SAP Business AI: Release Highlights Q2 2025; Q4 2025. news.sap.com
- Kinaxis. (2025). Kinaxis Accelerates Agentic Era for Supply Chain Orchestration with the Launch of Maestro Agents. kinaxis.com
- o9 Solutions. (2024–2025). Composite Agents; Specialized AI Agents for Planning and Execution. o9solutions.com
- Blue Yonder / Business Wire. (2025). Blue Yonder Transforms Supply Chain Management With New AI Agents at ICON 2025. businesswire.com
- Anaplan. (2024). Anaplan CoPlanner for Demand Planning. anaplan.com
- OMP. (2025). OMP Unveils UnisonIQ. omp.com
- Microsoft Learn. (2025). Dynamics 365 Supply Chain Management 2025 Release Wave 1. learn.microsoft.com
- McKinsey & Company. (2021). AI-driven operations forecasting in data-light environments. mckinsey.com
- McKinsey & Company. (2025). The State of AI in 2025: Agents, Innovation, and Transformation. mckinsey.com
- Gartner. (2025). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. gartner.com
- Gartner. (2026). Gartner Forecasts Supply Chain Management Software with Agentic AI Will Grow to $53 Billion in Spend by 2030. gartner.com
- MarketsandMarkets. (2026). AI in Supply Chain Market. marketsandmarkets.com
- Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2022). The M5 Accuracy Competition: Results, Findings and Conclusions. International Journal of Forecasting.