هل يستطيع الذكاء الاصطناعي إدارة دكّان الحيّ؟

يُختبر «وكلاء» الذكاء الاصطناعي — وهي نماذج لغوية تتصرّف عبر أدوات على امتداد خطوات كثيرة — على نحو متزايد في مهام طويلة، منها إدارة مشروع تجاري. لكن بحسب فريق من معهد BITS Pilani في الهند وجامعة مينيسوتا، تشترك الاختبارات الحالية في نقاط عمياء: فهي بالإنجليزية (وواحد منها بالصينية)، وتدور في تجارة التجزئة الغربية، وتمنح وكيلًا واحدًا رؤية مباشرة للمشروع.

الحياة الواقعية في الهند مختلفة. فجزء كبير من تجارة التجزئة فيها يمرّ عبر دكاكين بقالة عامة صغيرة، هي دكاكين الكيرانا، يعمل فيها عدة أشخاص يتحدّثون مع الزبائن والمورّدين بالإنجليزية والهندية والهِنغليشية (Hinglish)، وهي مزيج من الاثنتين. لذا بنى الفريق KiranaBench، وهو دكّان كيرانا محاكًى.

دكّان بأربع وظائف وعقل واحد

يؤدّي نموذج ذكاء اصطناعي واحد الأدوار الأربعة كلها، ولكلٍّ منها أدواته وساعته الخاصة:

المدير يطلب البضاعة من المورّدين، ويحدّد الأسعار، ويقرّر متى يُغلق الدكّان — لكنه لا يستطيع رؤية الدكّان، ولا يعرف عن يومه إلا من تقارير الآخرين؛
الصرّاف يتولّى الفواتير والمساومة والبيع بالدَّين في «الخاتا» الخاص بالدكّان، أي الحساب الجاري للزبائن؛
المساعد يستلم الشحنات وينقل البضاعة بين المخزن والرفوف؛
المُنشي، أي المحاسب، يكتب تقرير كل ليلة.

كل فعل يكلّف دقائق من يوم العمل: فجرد المخزن يستغرق 25 دقيقة، ولذا لا يستطيع المساعد الذي يجرد أن يملأ الرفوف في الوقت نفسه. ويأخذ نحو 289 زبونًا معتادًا يوميًا البضائع من الرفوف، وتُستمدّ سلالهم من المسح الوطني لاستهلاك الأسر في الهند. ويأتي نحو 65 آخرين إلى المنضدة ويتحدّثون، ويتذكّرون كيف عوملوا. ويردّ المورّدون على الرسائل بلغتهم الخاصة — ويرفضون ما لا يستطيعون قراءته. ويكلّف الإيجار والكهرباء والأجور 4,157 روبية يوميًا. وكل ما يتعلّق بالمال تحسبه الشيفرة البرمجية، فلا يستطيع أيّ نموذج تزييف النتيجة.

شهر من التجارة

اختبر الفريق أربعة نماذج مفتوحة من أربعة مطوّرين — Qwen3.8-27B وGemma 4 31B وgpt-oss-20b وLFM2.5-8B — كلٌّ منها لثلاثة أشهر محاكاة من 30 يومًا. والنتيجة هي الربح: صافي الثروة في النهاية مطروحًا منه صافي الثروة في البداية. ويحدّد دكّانان مبرمجان المقياس:

بائع عاقل يتّبع القواعد ربح نحو 103,000 روبية؛
دكّان لا يديره أحد خسر نحو 115,000 روبية.

النماذج:

Qwen3.8 بلغ متوسطه نحو 13,700 روبية — أي قرابة ثُمن ما حقّقه البائع المبرمج؛
Gemma 4 سجّل في المتوسط خسارة صغيرة، لكن أشهره الثلاثة تراوحت بين +37,226 (أفضل تشغيل على الإطلاق، نحو ثلث ما حقّقه البائع) و−40,762؛
LFM2.5 خسر نحو 127,000 وgpt-oss نحو 193,000 — وكلاهما أسوأ من الدكّان غير المُدار في كل شهر.

ويلاحظ المؤلفون: «إدارة الدكّان إدارةً سيئة تكلّف أكثر من عدم إدارته»: فالنموذج الذي يواصل الطلب يواصل دفع ثمن بضائع لا يستطيع بيعها.

اللغة الخطأ

كانت الكتابة بالإنجليزية إلى مورّدين ناطقين بالإنجليزية شبه محلولة: فثلاثة نماذج لم تخفق قطّ. أما الهندية والهِنغليشية فأمر آخر. فقد أُعيدت 42% من رسائل Gemma 4 بالهندية و38% من رسائله بالهِنغليشية لأنها غير مقروءة؛ وضاعت 19% من رسائل Qwen3.8 بالهِنغليشية. ومن مجموع ما أرسله، ضاع 46% من رسائل gpt-oss، إذ أخفق بالإنجليزية أيضًا. أما LFM2.5، الذي لا يذكر مطوّروه أيّ لغة هندية، فقد أخفق في كل رسالة بالهندية والهِنغليشية. وفي المقابل، خُدم الزبائن عند المنضدة بجودة متقاربة باللغات الثلاث.

عاملون يقولون شيئًا ويفعلون غيره

لأن المدير لا يرى الدكّان إلا عبر التقارير، قارنها الفريق بالصندوق الحقيقي. فأبلغ Qwen وGemma عن المبيعات بدقة في كل يوم دون استثناء. وأخطأ gpt-oss في 6% من الأيام، وLFM2.5 في 27% منها، بفارق يصل إلى نحو 16,000 روبية. ودُقّق كل يوم من الأيام المحاكاة الـ360، وتعود كل خسارة إلى فعل محدّد:

وجّه gpt-oss آلاف الرسائل إلى مورّدين لا وجود لهم، رغم أن كل رسالة مرتدّة كانت تذكر المورّدين الحقيقيين؛
وأبلغ مساعده عن دفعة قدرها 10,000 روبية لم تحدث قطّ — إذ لم يكن لدى أيّ دور أداة لإجرائها أصلًا — وناقضه محاسبه نفسه تلك الليلة؛
وذهبت الطلبية الكبيرة نفسها إلى مورّدَين، ودُفع لكليهما؛
وكتب مساعد Gemma أنه «يستلم كل بنود الشحنة» بينما احتفظ استدعاؤه للأداة بصفر من كل بند، فغادرت شاحنة الحليب؛
وقرّر LFM2.5 في اليوم الأول أن نظام الرسائل في الدكّان معطّل، وفي معظم الأيام التالية كان فعله الوحيد هو الذهاب إلى البيت عند موعد الافتتاح.

ويشير المؤلفون إلى أن هذا النموذج الأخير يحمل أعلى درجة في استخدام الأدوات بين الأربعة بحسب ما أعلنه مطوّره — وهو اختبار من جلسة واحدة لم يتنبّأ بشهر خلف الصندوق.

مقياس، لا منافس

يقرأ البائع المبرمج المخزون مباشرة ويكتب إلى كل مورّد بلغته الخاصة، وهما أمران يتعيّن على النماذج تدبيرهما عبر العاملين والترجمة. ويشدّد المؤلفون على أن الفجوة تقيس المسافة عن دكّان يُدار جيدًا، لا مواجهة مباشرة. ومع ذلك فإن خلاصتهم صريحة: وكلاء النماذج اللغوية الحاليون «ليسوا موثوقين بعد لتشغيل المشاريع الصغيرة في الهند تشغيلًا ذاتيًا» — وكل إخفاق وجدوه جاء مقرونًا باسم ويوم وساعة.