نظرة صادقة من واقع التطبيق العملي إلى وكلاء البيانات الأفقيين – Snowflake Cortex وDatabricks Genie وMicrosoft Fabric – وأين يُثبت مساعد أصيل في ذكاء الأعمال مثل JAS قيمته فعلاً. باختصار: صندوق الدردشة لم يكن يوماً هو الجزء الصعب.
إذا حضرت عرضاً توضيحياً لوكيل بيانات خلال العام الماضي، فأنت تعرف شكله. يكتب أحدهم في صندوق الدردشة ”اعرض لي الإيرادات حسب المنطقة في الربع الماضي“، فيُكتب استعلام SQL نظيف من تلقاء نفسه، ويظهر جدول، وربما رسم بياني، ويومئ الجميع في القاعة موافقين. إنه عرض جيد. ومن المفترض أن يكون جيداً.
ثم تعود إلى بيئتك أنت – تلك التي فيها 3000 تقرير، وأربعون عاماً من أسماء الجداول المتراكمة التي كانت مفهومة لشخص ما عام 2009، وفريق مالي يُعرّف ”العميل النشط“ بشكل يختلف عن فريق المبيعات، ومسؤول امتثال سينهي حياتك المهنية شخصياً إذا خرجت بيانات المرضى من المبنى – وعندها يخفت سحر العرض التوضيحي قليلاً.
لقد أمضينا جزءاً كبيراً من عام 2026 نراقب نضج وكلاء البيانات الأفقيين: Snowflake Cortex، وDatabricks Genie، ووكلاء البيانات وCopilot في Microsoft Fabric، إضافةً إلى المنظومات التي يبنيها الناس بأنفسهم من ClickHouse وLibreChat وقاعدة متجهات وعطلة نهاية أسبوع. إنها مثيرة للإعجاب حقاً، ونريد أن نمنحها حقها قبل أن نخبرك أين نعتقد أنها تقصّر – لأن النسخة الصادقة من هذه المقارنة أكثر فائدة من نسخة الكتيّب الدعائي، وهي صدفةً أكثر إنصافاً للنهج الأصيل في ذكاء الأعمال أيضاً.
فإليك النسخة الصادقة.
ما يبرع فيه الوكلاء الأفقيون فعلاً
تقف هذه الأدوات قريبة من بياناتك الخام. هذه هي أطروحتها كلها، وهي أطروحة جيدة. فعندما يَرِد سؤال لم يُطرح من قبل – شريحة جديدة فعلاً لم يتوقعها أي محلل – يستطيع وكيل موصول مباشرة بمستودع البيانات أن يحلّل الجداول الخام ويحاول الإجابة عنه. ولأغراض الاستكشاف المفتوح، ولأعمال علم البيانات، ولمرحلة ”لا أعرف بعد ما الذي أبحث عنه أصلاً“، يُعدّ هذا القرب من الـ lakehouse ميزة حقيقية. إنها تتوسّع مع قدرتك الحاسوبية، ولا يهمها أن سؤالك غريب.
وإذا كنت مؤسسة تعمل أصلاً على Snowflake أو تعيش داخل Fabric، فإن قصة التكامل نظيفة أيضاً: يعمل الوكيل داخل المنصة التي تدفع ثمنها بالفعل، وتحت ضوابط الوصول التي أعددتها بالفعل. والحوكمة على مستوى البيانات حقيقية – سياسات الوصول إلى الصفوف في Snowflake، وصلاحيات Unity Catalog في Databricks، وMicrosoft Purview في Fabric، كلها تمتد لتشمل الوكيل. ومن يخبرك أن هذه الوكلاء ”تتجاهل أمنك“ فإنه يحاول أن يبيعك شيئاً. إنها لا تتجاهله. فالمستخدمون يرون فقط الصفوف المصرّح لهم برؤيتها.
إذاً: قوية، ومُحكمة الحوكمة على مستوى البيانات، ورائعة للاستكشاف. هذه هي نقطة الانطلاق المنصفة.
الجزء الذي لا يظهر أبداً على الشريحة
إليك ما لا يعرضه العرض التوضيحي، وما يكون مزوّدو هذه الأدوات صريحين بشأنه بشكل مفاجئ بمجرد أن تقرأ ما وراء التسويق.
لا يوجد أي من هذه الوكلاء سحرياً على مخطط (schema) خام. فهي لا تصبح موثوقة إلا بعد أن يقوم أحدهم بالعمل الصعب وغير البرّاق المتمثل في بناء طبقة دلالية فوق البيانات.
flake
Snowflake Cortex
”النموذج الدلالي هو ما يجعل Cortex Analyst دقيقاً.“تقول Snowflake هذا حرفياً تقريباً في وثائقها الخاصة: النموذج العام الذي لا يُعطى سوى مخطط قاعدة بيانات يتعثّر، لأن المخططات لا تتضمن تعريفات الأعمال ولا منطق المقاييس. وجوابهم هو النموذج الدلالي – ملف YAML (أو الآن ”طريقة عرض دلالية“) يُرمّز فيه إنسانٌ ما الذي تعنيه الجداول، وأي عمليات ربط (join) صالحة، وكيف يُحسب كل مقياس، وإلامَ يشير ”CUST_ID“ فعلاً. وبدونه، تعود إلى إكمال تلقائي ذكي يُخمّن مسارات الربط لديك. كما أن Cortex نفسه يأتي كواجهة برمجية (API)؛ فلا توجد واجهة مدمجة يستطيع مستخدمو الأعمال لديك فتحها مباشرة.
bricks
Databricks Genie
القصة نفسها بثوب مختلف.إن Genie Space شيء يُعدّه محلل بيانات: سجّل الجداول في Unity Catalog، واحصرها في ثلاثين جدولاً لكل مساحة، وأضف أمثلة استعلامات SQL، واكتب تعليمات، وعرّف ”الأصول الموثوقة“ (trusted assets) – وهي استعلامات مُعدّة مسبقاً ومُعلَّمة بمعاملات للأسئلة التي تتوقعها. ويؤدي Genie أفضل ما لديه في الأسئلة التي توقّعتها وأعددتها مسبقاً. وتأتي الإجابة كجدول نتائج، وتُقرّ Databricks صراحةً بأن المستخدم غير التقني كثيراً ما لا يستطيع قراءة الـ SQL المُولَّد جيداً بما يكفي ليعرف ما إذا كان صحيحاً.
Fabric
Microsoft Fabric
الواجب نفسه، يُضاف إليه هامش يتعلق بالامتثال.يطلب منك Microsoft Fabric أداء الواجب نفسه: ابنِ نموذجاً دلالياً مُنسّقاً في Power BI بعلاقات ومقاييس مُعرّفة يدوياً، ثم وجّه وكيل بيانات إليه. وإذا قدّمت ذلك الوكيل عبر Copilot Studio أو M365، فقد تنتقل الاستجابات إلى خارج حدود الامتثال الخاصة بـ Fabric وخارج نطاقه الجغرافي – وهي تفصيلة سيرغب فريق الأمن لديك في معرفتها مسبقاً لا لاحقاً.
صندوق الدردشة هو الجزء السهل. أما المنتج الحقيقي فهو الطبقة الدلالية.كل وكيل أفقي هو قشرة محادثة رفيعة ولامعة ملفوفة حول مشروع نمذجة عليك أنت بناؤه وصيانته. الذكاء ليس في الـ LLM. الذكاء في الوصف المُنسّق لأعمالك الذي تُغذّي به الـ LLM.
وهذا يعيد صياغة سؤال الشراء بأكمله. فالسؤال ليس ”هل تحتوي هذه الأداة على ذكاء اصطناعي؟“. كل شيء يحتوي على ذكاء اصطناعي الآن. السؤال الحقيقي هو: أين يعيش منطق أعمالك، ومن يصونه، وفي كم مكان عليك صيانته؟
لماذا يُعدّ ”الأصيل في BI“ إجابة مختلفة
هنا يأتي دور JAS من TURBOARD، والحجة لصالحه بسيطة إلى حدّ يكاد يكون محرجاً بمجرد أن يصبح الإطار أعلاه على الطاولة.
إذا كنت تُشغّل تحليلاتك أصلاً في منصة ذكاء أعمال، فأنت قد بنيت الطبقة الدلالية بالفعل. طرق العرض المحوكمة لديك، وأوصاف العُقد والجداول والحقول، ومقاييسك المحسوبة، ولوحات معلوماتك، ومرشّحاتك، ونموذج صلاحياتك – هذا هو بعينه سياق الأعمال المُنسّق الذي يطلب منك الوكلاء الأفقيون أن تبنيه من الصفر في ملف YAML. إن JAS مساعدٌ يقرأ الأصل الذي دفعت ثمنه وتصونه بالفعل، بدلاً من أن يطلب منك بناء نسخة ثانية منه في مكان آخر.
هذه الحقيقة المفردة تتفرّع إلى عدة أمور أهمّ مما تبدو عليه:
مصدر حقيقة واحد، لا اثنان
عندما تُركّب وكيل بيانات منفصلاً فوق مستودع بيانات، يصبح لديك الآن نظامان يُجيبان عن السؤال نفسه – لوحة المعلومات المعتمدة وصندوق الدردشة – ولا شيء يضمن توافقهما. وعندما يعيش المساعد داخل طبقة BI ويُحلّل عبر النموذج المحوكم نفسه الذي تستخدمه لوحات المعلومات، تكون الإجابة في الدردشة والإجابة على لوحة المعلومات إجابةً واحدة. لا تتضاعف الحوكمة وتنحرف ثم تتناقض بصمت.
المُخرَج أصلٌ، لا إيصال
يسلّمك الوكيل الأفقي جدولاً. ويختفي حين تغلق التبويب. أما JAS فيُنتج dashlets ولوحات معلومات أصيلة – عناصر تفاعلية يمكنك التعمّق فيها وتصفيتها وتثبيتها. لا تتوقف الإجابة عند ”هذا هو الرقم“؛ بل تصبح جزءاً من سطح التحليلات الذي تستخدمه مؤسستك غداً أيضاً.
حوكمة لا تضطر لإعادة بنائها
وكلاء المستودع يفرضون الأمان على مستوى الصفوف – ولهم الفضل في ذلك. الميزة الأصيلة في BI ليست ”لدينا أمان وليس لديهم“. بل هي أنك لا تصون منطق الوصول لديك في مكانين وتدعو الله أن يبقيا متزامنين – وأنه للأعمال الخاضعة للتنظيم، يستطيع JAS العمل على نماذج لغوية صغيرة (SLM) محلية داخل بنيتك، فلا تغادر الأوامر والبيانات بنيتك التحتية على الإطلاق.
حيث يعمل الناس أصلاً
”بوابة بيانات“ منفصلة تبدو رائعة في العرض التوضيحي وتموت في الاستخدام اليومي، لأن استخدامها يعني مغادرة لوحة معلوماتك، وإعادة وصف ما كنت تنظر إليه، ثم العودة. أما JAS فيظهر عند نقطة الاستهلاك – داخل لوحة المعلومات، بجانب الـ dashlet، في لوحة عامة – فيعيش السؤال والبيانات في المكان نفسه.
وهذه النقطة الأخيرة بالذات هي حيث يجعل جزآن جديدان من JAS هذا التجريد ملموساً.
JASlet ولوحة JAS: الجزء الذي يصعب نسخه
عنصر JAS تُسقطه مباشرة داخل لوحة معلومات. يقرأ الحالة الراهنة لتلك اللوحة – أو لـ dashlet محدد – فيُلخّصها أو يشرحها أو يتلقّى أسئلة متابعة عمّا هو معروض على الشاشة بالضبط. التفصيل الذي يعجبنا: تضبط شخصية (persona) لكل عنصر. فلوحة المبيعات نفسها يمكن شرحها بطريقة لمدقّق مالي يريد الأرقام دقيقة ومحفوفة بالتحفّظات، وبطريقة أخرى لمدير عمليات يريد الاتجاه و”ما المغزى“. ويتوقف شرح لوحة المعلومات عن كونه فقرة ذكاء اصطناعي عامة ليصبح مراعياً للدور.
تعالج مشكلة يتجاهلها معسكر الوكلاء الأفقيين في الغالب، لأن نظرتهم للعالم كلها قائمة على ”ولّد الإجابة من البيانات الخام“. في مؤسسة ناضجة، تكون الإجابة عادةً موجودة بالفعل. فقد بنى أحدهم لوحة المعلومات المعتمدة من قبل. المشكلة الفعلية ليست التوليد – بل الاكتشاف: العثور على طريقة العرض الموثوقة الوحيدة وسط آلاف التقارير.
تتيح لك لوحة JAS طرح سؤال من أي مكان في المنصة. وباستخدام التوليد المعزز بالاسترجاع (RAG) فوق أوصاف العُقد والجداول والحقول إضافةً إلى أنماط الاستخدام الفعلية، تعثر على أكثر العروض أو لوحات المعلومات صلةً واستخداماً، وتطبّق المرشّح الصحيح، وتضع الإجابة أمامك في ثوانٍ. إنها لا تُعيد توليد إجابة من الصفر وتأمل أن تطابق الإجابة الرسمية – بل توجّهك إلى الأصل الموثوق وتصفّيه وفق سؤالك. وكيل text-to-SQL سيُعيد بكل سرور كتابة استعلام أتقنه محلل واعتمده قبل أشهر، وربما بشكل مختلف. أما لوحة JAS فتوجّهك إلى المعتمد. وفي بيئة مزدحمة، هذا هو الفرق بين مساعد وبين عبء يهدّد الثقة.
متى يكون الوكيل الأفقي هو الخيار الصحيح
قلنا إننا سنكون صادقين، فلنكن كذلك: ثمة حالات حقيقية نختار فيها Cortex أو Genie أو وكيل Fabric على مساعد أصيل في ذكاء الأعمال.
| إذا كان وضعك… | فالخيار الأنسب… |
|---|---|
| بياناتك لم تُنمذَج بعد في أداة BI – بل تعيش في lakehouse، ومستخدموك علماء بيانات يجرون استكشافاً مفتوحاً على جداول خام بنطاق واسع | وكيل أصيل في المستودع يقف مباشرة فوق القدرة الحاسوبية |
| القيمة التي تحتاجها هي ”اسأل البيانات الخام أي شيء، بما في ذلك أسئلة لم يتوقعها أحد“ | القرب من المستودع هو الرابح |
| أنت ملتزم كلياً بمنظومة منصة سحابية واحدة ولا تخطط لمغادرتها أبداً | التكامل الأصيل مريح فعلاً |
| تحليلاتك تعيش أصلاً في منصة BI محوكمة، ويستخدمها صنّاع القرار يومياً | مساعد أصيل في BI مثل JAS يُعيد استخدام الطبقة التي بنيتها بالفعل |
وJAS ليس سحراً هو الآخر. فهو جيد تماماً بقدر جودة النمذجة الدلالية الكامنة تحته – طرق العرض، والأوصاف، والمقاييس. فإن كانت رديئة، كان JAS رديئاً. والتناظر الصادق هو هذا: كلا النهجين يعتمد على طبقة دلالية مبنية جيداً. والفرق أنك مع منصة BI قد بنيتها وصُنتها على الأرجح بالفعل، فيُعيد المساعد الأصيل في BI استخدامها – بينما يطلب منك الوكيل الأفقي بناء تلك الطبقة (أو إعادة بنائها) كأثر منفصل، ثم صيانتها بالتوازي إلى الأبد.
الخلاصة
أوضح صياغة وجدناها هي هذه: وكلاء البيانات الأفقيون يتيحون لك التحدث إلى بياناتك. وهذا أمر قيّم. لكن ذكاء الأعمال لم يكن يوماً مجرد جداول واستعلامات. إنه نماذج محوكمة، ولوحات معلومات، ومرشّحات، وأعراف بصرية، وصلاحيات، وشخصيات (personas)، وعقد من الذاكرة المؤسسية حول أي تقرير تثق به فعلاً.
أما المساعد الأصيل في BI فيتيح لك التحدث إلى ذكاء أعمالك – إلى البيئة المحوكمة بأكملها، لا إلى قاعدة البيانات الكامنة تحتها فحسب.
إذا كانت تحليلاتك تعيش أصلاً في منصة BI، فإن الأساس الدلالي الذي يجعل أي مساعد ذكاء اصطناعي جديراً بالثقة هو عمل أنجزته بالفعل. والسؤال الجدير بطرحه على أي مزوّد ليس ما إذا كان قد أضاف صندوق دردشة. الجميع أضافه. السؤال هو ما إذا كان ذكاؤه الاصطناعي يفهم الأعمال التي نمذجتها بالفعل، ويحترم الحوكمة التي وضعتها بالفعل، ويُجيب داخل سير العمل الذي يستخدمه أفرادك بالفعل – أم أنه مجرد مكان آخر تُعيد فيه بناء كل ذلك، ومصدر حقيقة آخر عليك التوفيق بينه وبين غيره.
صندوق الدردشة لم يكن يوماً هو الجزء الصعب. الصعب هو أن تعرف أنه يقول لك الحقيقة.
شاهد JAS على ذكاء أعمالك أنت
إذا كانت تحليلاتك تعيش أصلاً في بيئة BI محوكمة، فإن JAS لا يطلب منك إعادة بنائها – بل يقرأ الطبقة الدلالية التي استثمرت فيها بالفعل ويُجيب داخل لوحات المعلومات التي يستخدمها أفرادك بالفعل.
احجز جولة تعريفية مع فريقنا، وشاهد JAS وJASlet ولوحة JAS العامة وهي تعمل على نموذج محوكم – مع دعم النماذج اللغوية الصغيرة (SLM) المحلية للبيئات الخاضعة للتنظيم.
ويمكنك أيضاً استكشاف صفحة مقارنة BI الكاملة لترى كيف يتموضع TURBOARD عبر المزيد من السيناريوهات المؤسسية.
آخر المدونات
توقف عن بناء لوحات المعلومات، وابدأ في الحصول على الإجابات. جرب مجاناً الحقبة التالية من ذكاء الأعمال مع قدرات الذكاء الاصطناعي التوليدي الرائدة لدينا.