منافسة البحث بالذكاء الاصطناعي تدخل عصر محركات الإجابات: إشارات النظام البيئي للمعلومات خلف إصدار GPT-5.2

أولًا: ماذا حدث؟

في ديسمبر 2025، أصدرت OpenAI نموذج GPT-5.2، ويتوفر في ثلاثة إصدارات: Instant وThinking وPro. ومن الخلفيات الرئيسية لهذا الإصدار أن الرئيس التنفيذي للشركة، سام ألتمان، كان قد أعلن سابقًا في مذكرة داخلية عن "code red"، لطلب تركيز الموارد لمواجهة الضغوط التنافسية القادمة من Google Gemini 3. وهذا يعني أن إصدار نماذج الذكاء الاصطناعي لم يعد مجرد تكرار تقني، بل أصبح إشارة في الصراع على سوق محركات البحث.

من بين الأرقام الجديرة بالاهتمام: تم رفع نافذة السياق في GPT-5.2 إلى 400,000 توكن (token)، مما يسمح بمعالجة مئات المستندات في وقت واحد؛ تاريخ قطع المعرفة حتى 31 أغسطس 2025؛ وزيادة أسعار API بنسبة 40% مقارنة بالجيل السابق. كما نشرت OpenAI بعض بيانات المقارنة، مدعية أن GPT-5.2 Thinking سجل 55.6% في SWE-Bench Pro، متجاوزًا نسبة 43.3% التي حققها Gemini 3 Pro، وسجل 92.4% في GPQA Diamond، وهي نسبة أعلى قليلًا من 91.9% لدى Gemini 3 Pro. ومع ذلك، فإن الصفحة الترويجية الرسمية لـ OpenAI لم تدرج بشكل مباشر معايير المقارنة مع Gemini، وهذه البيانات لا تزال بحاجة إلى تحقق من أبحاث مستقلة.

بالنسبة لدراسة اتجاهات البحث بالذكاء الاصطناعي، فإن الأهمية الحقيقية لإصدار GPT-5.2 لا تكمن في أن نموذجًا معينًا حصل على درجة أعلى، بل في أنه يعمل على تغيير الآلية الأساسية لـ"كيف تتشكل الإجابات".

ثانيًا: لماذا تتغير أنظمة الذكاء الاصطناعي بهذا الشكل؟

السبب المباشر هو المنافسة. يتجاوز عدد المستخدمين النشطين شهريًا لتطبيق Google Gemini 650 مليونًا، بينما يصل عدد المستخدمين النشطين أسبوعيًا في ChatGPT إلى 800 مليون. لم يعد الأمر منافسة بين روبوتات الدردشة، بل منافسة على بوابات المعلومات.

السبب الأعمق هو أن البحث بالذكاء الاصطناعي يتحول من "إرجاع الروابط بعد الاسترجاع" إلى "توليد إجابات شاملة بعد الاسترجاع". ولتحقيق ذلك، يحتاج النموذج إلى امتلاك ثلاث قدرات في الوقت نفسه: فهم نية المستخدم المعقدة، واسترجاع المحتوى ذي الصلة من مصادر معلومات خارجية، وتجنب الأخطاء الواقعية عند توليد الإجابات. إن بنية المستويات الثلاثة في GPT-5.2 — Instant وThinking وPro — تحاول تحديدًا حل هذه المقايضة بين "السرعة والعمق".

في الوقت نفسه، تتيح نافذة السياق الأطول للنموذج معالجة عدد أكبر من المستندات، مما يؤثر على المصادر التي تختارها أنظمة الذكاء الاصطناعي عند الإجابة على الأسئلة، وكيفية تجميع المعلومات من جهات متعددة. تدّعي OpenAI أن إصدار Thinking يقلل عدد مرات "الاختلاق" بنسبة 38% مقارنة بـGPT-5.1. إذا كان هذا صحيحًا، فهذا يعني أن مصداقية إجابات الذكاء الاصطناعي سترتفع، مما يزيد من إحلالها محل عملية التحقق بالنقر في محركات البحث التقليدية.

ثالثًا: ما يتغير حقًا هو منطق البحث

منطق البحث التقليدي قائم على "مطابقة الكلمات الرئيسية + ترتيب صفحات الويب". يُدخل المستخدم استعلامًا، فيعيد النظام مجموعة من الروابط، وعليه هو أن يقرر أي المصادر أكثر موثوقية.

أما منطق بحث الذكاء الاصطناعي فيختلف: فالنظام بحاجة إلى فهم نية السؤال، واستخراج المعلومات من مصادر متعددة، ثم توليد إجابة متكاملة. في الماضي، كان اتخاذ القرار يحدث عند نقرة المستخدم؛ أما الآن فيحدث عندما يولد النموذج الإجابة.

ننظر إلى هذا بوصفه "نموذج اكتشاف معلومات بالذكاء الاصطناعي":

سؤال المستخدم ← فهم الذكاء الاصطناعي للنية ← استرجاع المعلومات ← الحكم على المصادر ← توليد الإجابة ← تكوين الإدراك

في هذه السلسلة، يصبح "الحكم على المصادر" الحلقة الأكثر جوهرية. إذ إن نظام الذكاء الاصطناعي هو الذي يقرر أي الصفحات وأي المنظمات وأي البيانات يستشهد بها، مما يؤثر مباشرة في الإدراك النهائي الذي يتكون لدى المستخدم. وهذا يعني أيضًا أن الميزة التي كانت تتمتع بها العلامات التجارية ومنتجو المحتوى في ترتيب نتائج البحث التقليدي، أصبحت تُستبدل بنوع جديد من "مصداقية الاستشهاد".

رابعًا: ما الذي يعنيه بحث الذكاء الاصطناعي للنظام البيئي للمعلومات؟

بالنسبة للشركات ووسائل الإعلام ومنتجي المحتوى، أهم تغيير هو: لم يعد المحتوى مجرد "يُفهرس" و"يُرتب"، بل يجب أن "يفهمه" الذكاء الاصطناعي و"يستشهد به".

كان تحسين محركات البحث التقليدي (SEO) يهتم بتغطية الكلمات الرئيسية والروابط الخارجية؛ أما في عصر بحث الذكاء الاصطناعي، فالاهتمام الأكبر يجب أن ينصب على الوضوح الدلالي، وترابط الكيانات، وتكرار التحديث، ومصداقية المعلومات. فالمعلومات المنظمة على الموقع الرسمي لعلامة تجارية قد تكون أكثر عرضة للاستشهاد بها من بيان صحفي يحتوي على الكثير من الروابط الخارجية لكنه غامض دلاليًا.

هنا لا بد من تقديم تعريف أساسي: AI Search Visibility، أي قدرة معلومات المنظمة على أن تُفهم وتُسترجع ويُستشهد بها وتشارك في توليد الإجابات داخل أنظمة البحث بالذكاء الاصطناعي.

ونقترح كذلك مفهومًا أصيلًا: Citation Confidence Layer (طبقة الثقة في الاستشهاد). وهو يشير إلى العملية التي يطور من خلالها نظام الذكاء الاصطناعي، بعد عمليات بحث متكررة، ميلًا مستقرًا للاستشهاد بمصدر معين. تختلف هذه الطبقة عن PageRank، لأن حكمها لا يستند إلى علاقات الروابط، بل إلى المطابقة الدلالية، والتحقق من المصدر، واتساق المعلومات، وترابط الكيانات.

لا ينبغي أن يكون هدف الشركات هو "المركز الأول"، بل الدخول إلى نطاق الاستشهاد المستقر لدى الذكاء الاصطناعي، لتكوين أصل معرفي طويل الأمد. ويمكن تلخيص ذلك في سلسلة:

Content → Recognition → Retrieval → Citation → Knowledge Formation

وتعني سلسلة "الظهور في البحث بالذكاء الاصطناعي" هذه أن وجود المحتوى هو مجرد نقطة البداية؛ فالمحتوى لا يصبح أصل معلومات حقيقيًا إلا بعد أن يتم التعرف عليه واسترجاعه والاستشهاد به والمشاركة به في تكوين المعرفة.

خامسًا: إشارات بحث الذكاء الاصطناعي الجديرة بالمتابعة في المستقبل

في الفترة القادمة، يمكن متابعة الاتجاهات التالية:1. تغير مصادر الاقتباس في الذكاء الاصطناعي: تتبّع ما إذا كانت أنواع مصادر الاقتباس في إجابات منصات مثل ChatGPT وGemini تتحول من المقالات الإعلامية إلى الوثائق الرسمية أو قواعد البيانات أو المحتوى المنظم. 2. تحول مدخل البحث: عندما يفتح المزيد والمزيد من الأشخاص تطبيقات الذكاء الاصطناعي مباشرةً لطرح الأسئلة، كيف سيتغير هيكل حركة المرور في مداخل البحث التقليدية؟ 3. تغير طريقة الاستعلام: ينتقل المستخدمون من طرح الأسئلة بالكلمات المفتاحية إلى طرح جمل طويلة تصف المهام والأهداف والقيود، فكيف يفهم الذكاء الاصطناعي هذه الاستعلامات ويوزع بنية الإجابة؟ 4. تغير التعرف على الكيانات ذات العلامات التجارية: هل يستطيع النموذج تحديد العلاقات بين العلامات التجارية والمنتجات والمؤسسات والأشخاص بدقة في التعبيرات المعقدة؟ 5. إيقاع المنافسة بين النماذج: كيف ستؤثر وتيرة إصدار النماذج الرئيسية والفروق في قدراتها على الاستثمار الاستراتيجي للشركات في النظام البيئي لمعلومات الذكاء الاصطناعي؟