من الذكاء الاصطناعي الخفي إلى الذكاء الاصطناعي الخاضع للحوكمة: سد فجوة الرؤية باستخدام watsonx.governance
تتيح الميزة الجديدة AI Asset Discovery في watsonx.governance للمؤسسات تحديد وكلاء الذكاء الاصطناعي، والأدوات، وخوادم MCP، والنماذج الأساسية غير المُدارة عبر بيئات التطوير والنشر، مما يُدخل الذكاء الاصطناعي الخفي ضمن سير العمل الخاضع للحوكمة، ويساعد فرق المخاطر على الحفاظ على الرؤية مع تسارع اعتماد الذكاء الاصطناعي.
يساعد IBM watsonx.governance AI Asset Discovery المؤسسات على تحديد أصول الذكاء الاصطناعي، سواء الخاضعة للحوكمة أو غير الخاضعة لها، مباشرةً من منصات تطوير الوكلاء وتنسيق أعمالهم المدعومة. ويكتشف وكلاء الذكاء الاصطناعي تلقائيًا، ويجمع البيانات الوصفية الخاصة بهم، مثل الأسماء، والأوصاف، والإصدارات، وبيئات النشر، والأدوات المتصلة، وخوادم MCP، والنماذج الأساسية، والوكلاء المتعاونين.
وبدلًا من مطالبة فرق الحوكمة بتحديد هذه الأصول وتوثيقها يدويًا، تعرض ميزة AI Asset Discovery هذه الأصول باستمرار داخل watsonx.governance. ويوفر ذلك رؤية أكثر دقة وشمولًا لمشهد الذكاء الاصطناعي داخل المؤسسة، مع مساعدة فرق الحوكمة على تحديد أنظمة الذكاء الاصطناعي التي ربما لم تدخل ضمن عمليات الحوكمة.
وكما هو الحال مع تقنية المعلومات الخفية، يشير الذكاء الاصطناعي الخفي (Shadow AI)، بمعناه الواسع، إلى استخدام أنظمة تعمل خارج عمليات الحوكمة الرسمية، مثل استخدام الموظفين لتطبيقات ذكاء اصطناعي غير مصرح بها. إلا أنه يشمل، بصورة متزايدة، فرقًا داخلية تطور وكلاء ذكاء اصطناعي، وتدمج نماذج أساسية جديدة، وتربط خوادم MCP، وتنشر سير العمل القائم على الوكلاء دون مستوى كافٍ من الرؤية على مستوى الحوكمة.
ومع توسع المؤسسات في مبادرات الذكاء الاصطناعي التوليدي والذكاء الاصطناعي القائم على الوكلاء، تواجه فرق الحوكمة تحديًا متزايدًا يتعلق بالرؤية. إذ تُطوَّر أنظمة جديدة للذكاء الاصطناعي عبر وحدات الأعمال، وفرق التطوير، وبرامج الابتكار بوتيرة أسرع من قدرة عمليات الحوكمة التقليدية على مواكبتها.
حاولت معظم المؤسسات معالجة ذلك باستخدام كتالوجات جرد تقليدية، ومع ذلك لا تزال تقع ضمن نسبة 27% التي لا تعرف أين يُستخدم الذكاء الاصطناعي لديها. لأن المشكلة لا تقتصر على معرفة الأصول التي تمتلكها، بل تكمن في فهم سياق المؤسسة المحيط بها قالت. Maryam Ashoori، نائبة الرئيس للمنتجات والهندسة، وIBM Master Inventor، خلال فعالية IBM Think 2026.
تعتمد معظم برامج الحوكمة على تقديم حالات الاستخدام، وسجلات الجرد، والاستبيانات، وإقرارات الامتثال الذاتية لفهم أنظمة الذكاء الاصطناعي الموجودة داخل المؤسسة. ورغم فعالية هذه الأساليب مع أنظمة التعلم الآلي التقليدية، فإن الحفاظ عليها يصبح أكثر صعوبة مع ازدياد تعقيد منظومات الذكاء الاصطناعي القائمة على الوكلاء.
1. الرؤية ليست سوى الخطوة الأولى
لا تتحقق الرؤية الحقيقية من خلال كتالوجات الجرد التقليدية. أما بالنسبة إلى وكلاء الذكاء الاصطناعي، فتعني الرؤية فهم النظام الأشمل الذي يعمل الوكيل ضمنه، بما يشمل النماذج الأساسية، والأدوات، وخوادم MCP، والوكلاء المتعاونين المرتبطين به.
وتكتسب هذه الصورة الشاملة أهميتها لأن ملف مخاطر الوكيل لا يتحدد بالوكيل نفسه فقط. بل يعتمد على الغرض المقصود من الوكيل، وتبعياته المُهيأة، والنماذج المرتبطة به، والضوابط اللازمة لاستخدامه المعتمد.
يساعد AI Asset Discovery المؤسسات على إظهار هذه العلاقات من خلال منصات الوكلاء، وهي البيئات التي تبني فيها الفرق الوكلاء أو تنشرهم. ويمنح ذلك فرق الحوكمة رؤية أشمل لنظام الذكاء الاصطناعي، بدلًا من الاقتصار على رؤية ضيقة لوكيل واحد والغرض منه.
2. إدراج الذكاء الاصطناعي غير المُدار ضمن سياق حوكمة المؤسسة
وتصبح الرؤية ذات قيمة عندما ترتبط بسياق الحوكمة المهم، مثل حالات الاستخدام، والمخاطر، والضوابط، والسياسات، ونتائج الأعمال.
وباستخدام التشابه الدلالي المدعوم بالذكاء الاصطناعي، تساعد watsonx.governance AI Asset Discovery الفرق على تحديد ما إذا كانت أصول الذكاء الاصطناعي المكتشفة تتوافق مع السجلات الحالية أو ينبغي ضمها بوصفها أصولًا جديدة. وبمجرد ربطها أو ضمها، يُشغَّل سير العمل ذي الصلة تلقائيًا لمساعدة الفرق على إدارة المخاطر، وتحديد الضوابط، وجمع الأدلة، وتقييم قيمة الأعمال.
وينشئ ذلك مسارًا قابلًا للتنفيذ ينتقل من الاكتشاف إلى الحوكمة، مع الحفاظ على رؤية مترابطة للأصول، وحالات الاستخدام، والمخاطر، والضوابط. ويساعد ذلك المؤسسات على تقييم ليس فقط ما إذا كانت أنظمة الذكاء الاصطناعي تخضع للحوكمة على النحو المناسب، بل أيضًا ما إذا كانت تتوافق مع نتائج الأعمال المستهدفة.
3. الحد من انحراف الحوكمة مع تطور أنظمة الذكاء الاصطناعي
وتتطور أنظمة الذكاء الاصطناعي بوتيرة سريعة. فقد تُحدِّث الفرق إعدادات الوكلاء، أو تغيِّر النماذج الأساسية، أو تضيف مراجع الأدوات الخاصة بمرحلة التصميم، أو تُحدِّث إعدادات خوادم MCP، أو تعدِّل العلاقات بين الوكلاء المتعاونين أثناء تطوير الوظائف.
وقد تمنح الحوكمة التي تعتمد فقط على التقارير الدورية القائمة على الإقرار الذاتي شعورًا زائفًا بالاطمئنان. فمن دون الاكتشاف المستمر، قد لا تدرك المؤسسات أن أنظمة الذكاء الاصطناعي قد تغيرت بطريقة أدت إلى ظهور مخاطر جديدة أو مخاطر لم تُعالج.
وتساعد AI Asset Discovery على الحد من هذا الانحراف في الحوكمة من خلال الفحص المستمر لأصول الذكاء الاصطناعي، وعكس التحديثات المكتشفة تلقائيًا داخل watsonx.governance. ومع سجلات النشاط التي توثق ما الذي تغيّر ومتى حدث ذلك، تستطيع فرق الحوكمة الاحتفاظ بسجل قابل للتدقيق، مع الحفاظ على توافق سجل الحوكمة المرجعي مع الوضع الحالي لمنظومة الذكاء الاصطناعي.
ويساعد ذلك المؤسسات على اكتشاف التغييرات في وقت مبكر، وإعادة تقييم المخاطر والضوابط ذات الصلة، والحفاظ على رؤية أكثر دقة لأنظمة الذكاء الاصطناعي مع استمرار تطورها.
ولا يمكنك حوكمة الذكاء الاصطناعي، أو قياسه، أو تحسينه إذا كنت لا تعلم بوجوده. كما تتطلب الحوكمة الفعالة فهم العلاقات المحيطة بالذكاء الاصطناعي، بما يشمل كيفية تصميم الوكلاء، وما يعتمدون عليه، وكيف يرتبطون بحالات الاستخدام، والمخاطر، والضوابط، ونتائج الأعمال.
باستخدام IBM watsonx.governance AI Asset Discovery، تستطيع الفرق التركيز على تحديد المخاطر، وتفعيل الضوابط، وتقييم قيمة الأعمال، بينما تتمكن المؤسسات من إخراج الذكاء الاصطناعي الخفي إلى دائرة الرؤية وإخضاعه للحوكمة بثقة، وشفافية، وسيطرة أكبر.
اطّلع على كيفية بدء اكتشاف أصول الذكاء الاصطناعي من خلال: