البحث والاكتشاف · الخطوة 01 · طريقة عملنا
كل مشروع مع OpenQCore يبدأ بتحقيق منهجي. قبل اقتراح الذكاء الاصطناعي أو الأتمتة أو البرمجيات أو البنية التحتية، ندرس المشكلة كنظام: أهدافها، أصحاب المصلحة فيها، سير العمل، القرارات، البيانات، التقنيات، التبعيات، القيود، المخاطر، والنتائج القابلة للقياس.
تجمع عملية الاكتشاف عندنا بين البحث والتفكير المنظومي والتحليل الهندسي والاستدلال التجاري للانتقال من تحدٍّ ملاحظ إلى تعريف دقيق وقابل للدفاع عنه للمشكلة.
لأن السؤال الأول يجب ألا يكون:
مش السؤال ده
"إيه التكنولوجيا اللي المفروض ننشرها؟"
لكن السؤال ده
"إيه المشكلة اللي بنحلها فعلاً — إيه الأدلة اللي بتدعمها، وإيه أسبابها، وإيه النتيجة اللي المفروض تتغيّر؟"
البحث · الأدلة · التحليل المنظومي · التحليل التجاري · القياس
ليه الاكتشاف بييجي أولاً
التجريب بالذكاء الاصطناعي بقى أسهل بشكل كبير. لكن تحويل التجريب لقيمة مؤسسية قابلة للقياس لسه أصعب بكتير.
74%
من الشركات لسه ما أثبتتش ولا وسّعت قيمة ملموسة من الذكاء الاصطناعي.
BCG، Where's the Value in AI؟، 2024 · عيّنة 1,000 من كبار التنفيذيين.
بحث BCG لعام 2024، المبني على مسح شمل 1,000 من كبار التنفيذيين عبر أكثر من 20 قطاعًا و59 دولة، وجد إن 26% بس من الشركات طوّرت القدرات اللازمة لتجاوز مرحلة إثبات المفهوم وتحقيق قيمة ملموسة من الذكاء الاصطناعي.
ده مش معناه إن التكنولوجيا غير فعّالة. معناه إن التكنولوجيا وحدها مش كافية.
المؤسسات ممكن تبدأ بنموذج أو منصة أو تقنية أتمتة، وبعدين تكتشف إن القيد الحقيقي موجود في مكان تاني: عمليات مبعثرة، بيانات يصعب الوصول لها، ملكية غير واضحة، قيود تكامل، ضوابط غير كافية، أهداف غير محددة بوضوح، أو مشكلة أصلاً ما اتقاسّتش من البداية.
لذلك OpenQCore بتعكس الترتيب: التكنولوجيا لازم تُختار كنتيجة لفهم المشكلة — مش كبديل عن فهمها.
منهج متعدد التخصصات
المشكلات المؤسسية المعقدة نادرًا ما تنتمي لتخصص واحد. OpenQCore بتحقق فيها من خلال ثلاثة منظورات متكاملة.
الملاحظة · التساؤل · وضع الفرضيات · الاختبار · التحقق
الاستدلال العلمي بيساعدنا نفرّق بين الملاحظات والافتراضات، وصياغة الأسئلة، وفحص التفسيرات المتنافسة، وتحديد الأدلة اللي ممكن تدعم أو تنفي فرضية معينة. إحنا ما بنفترضش إن أول تفسير هو الصح.
الأنظمة · الواجهات · البيانات · التبعيات · القيود · الموثوقية
التحليل الهندسي بيفحص إزاي المكوّنات بتتفاعل جوه النظام الأوسع — البرمجيات، البنية التحتية، البيانات، البشر، العمليات، الواجهات، الأنظمة الخارجية، والتبعيات التشغيلية.
المنظور ده متسق مع فكر هندسة الأنظمة الحديث. معيار ISO/IEC/IEEE 15288:2023 بيحدد عمليات دورة حياة الأنظمة القابلة للتطبيق على عناصر النظام الفردية وعلى منظومات الأنظمة، مع مشاركة أصحاب المصلحة طوال دورة الحياة.
الأهداف · الاقتصاد · العمليات · المخاطر · القيمة · القياس
التحليل التجاري بيحدد ليه المشكلة مهمة. بنفحص النتيجة المرغوبة، وأصحاب المصلحة المتأثرين، والتأثير التشغيلي، والاعتبارات الاقتصادية، والقيود المؤسسية، وإزاي هيتقاس التحسّن.
التحول للذكاء الاصطناعي غالبًا ما يُناقَش أساسًا من زاوية النماذج والخوارزميات. لكن الأدلة من التطبيق الفعلي بتوضح صورة أوسع: بحث BCG لعام 2024 أفاد إن حوالي 70% من التحديات اللي واجهتها الشركات في مبادرات الذكاء الاصطناعي كانت متعلقة بالناس والعمليات، وحوالي 20% بالتكنولوجيا، و10% بس بالخوارزميات.
10%
الخوارزميات
دراسة BCG Build for the Future 2024 · عيّنة 1,000.
20%
التكنولوجيا والبيانات
دراسة BCG Build for the Future 2024 · عيّنة 1,000.
70%
الناس والعمليات
دراسة BCG Build for the Future 2024 · عيّنة 1,000.
النسب دي إطار بحثي خاص بـBCG، مش قانون عام. لكنها بتؤكد مبدأ هندسي مهم: النموذج مكوّن واحد بس من نظام اجتماعي-تقني أكبر. لذلك OpenQCore في مرحلة الاكتشاف ما بتفحصش طبقة الذكاء فقط، لكن بيئة التشغيل اللي هيتم إدخال الذكاء ده فيها.
منهجية OpenQCore البحثية
الاكتشاف بيُنفَّذ كتسلسل منظَّم من التحقيق. العمق الفعلي بيختلف حسب طبيعة المشروع، لكن البنية التحليلية تفضل ثابتة.
أي نتيجة مهمة — ولمين؟
بنبدأ بتحديد الأشخاص والوظائف والأنظمة المتأثرة بالمشكلة. الطلب المُعلَن من المؤسسة مش بيتُعامل معاه تلقائيًا كالهدف الحقيقي — "محتاجين وكيل ذكاء اصطناعي" بيوصف تنفيذًا محتملاً، مش المشكلة التجارية أو الهندسية بعد.
بنفحص
أصحاب المصلحة · مالكي القرار · المستخدمين · الأهداف التجارية · الأهداف التشغيلية · الحوافز · التبعيات · المتطلبات المتعارضة
المخرج
نموذج أصحاب المصلحة والأهداف
إزاي النظام بيشتغل فعليًا دلوقتي؟
بنعيد بناء عملية التشغيل الحالية بدل الاعتماد كليًا على طريقة توثيقها. وحيث يكون مناسبًا، بنؤسس خطوط أساس كمّية لسير العمل الحالي.
التحليل ممكن يشمل
العمليات · المهام · القرارات · التسليمات · قوائم الانتظار · الاستثناءات · التدخل البشري · نقاط الاختناق · إعادة العمل · تدفق المعلومات
المخرج
نموذج الحالة التشغيلية الحالية
إيه البيئة التقنية اللي بنشتغل جواها؟
بنفحص البنية المحيطة بالمشكلة، ونحقق في بيئة البيانات بشكل منفصل. ده مهم لأن قدرة ذكاء اصطناعي بتشتغل تجريبيًا ممكن تفضل غير مناسبة للإنتاج لو المعلومات المطلوبة مش متاحة بشكل موثوق وآمن وبجودة كافية.
بنفحص
التطبيقات · الخدمات · واجهات البرمجة · قواعد البيانات · البنية التحتية · التكاملات · الهوية · الأمان · التبعيات الخارجية — وتوافر البيانات وإمكانية الوصول إليها وبنيتها وجودتها ومصدرها وملكيتها وتغطيتها وحداثتها وحساسيتها
المخرج
خريطة الأنظمة والبيانات
إيه البيئة الخارجية اللي بتشكّل المشكلة؟
الحل الصحيح تقنيًا ممكن يفضل غير مناسب تشغيليًا أو تجاريًا. النطاق بيعتمد على طبيعة المشروع — نظام صحي منظَّم، ومنصة مالية، وأداة إنتاجية داخلية، كل واحدة محتاجة نوع مختلف من الفحص السياقي.
حيث يكون مناسبًا، بنفحص
ظروف السوق · بنية الصناعة · التنظيم · المعايير التقنية · البيئة التنافسية · مشهد التكنولوجيا · توقعات العملاء · التبعيات الخارجية
المخرج
نموذج السياق والبيئة الخارجية
إيه اللي بيحدد مساحة الحل؟
القيود بتُعامَل كمدخلات تصميم لا كمفاجآت تُكتشف أثناء التنفيذ. وبنفصل صراحةً بين الحقائق المؤكدة، والافتراضات، والمجهولات المعروفة، والتبعيات، والمخاطر — لأن عدم اليقين لازم يُوثَّق، لا يتحول بصمت إلى يقين.
بنحدد ما هو ذو صلة من
القيود التقنية والتشغيلية والميزانية والوقت · متطلبات الأمان والخصوصية والتنظيم · القيود المؤسسية · مخاطر التبني · تبعيات التكامل · محدودية البيانات
المخرج
سجل القيود والافتراضات والمخاطر
إيه بالظبط اللي المفروض يتغيّر؟
الاكتشاف بيتجه نحو تعريف دقيق للمشكلة، يغطي الحالة الملاحَظة، والأدلة، والأسباب الجذرية، والنظام المتأثر، وخط الأساس، والحالة المستهدَفة، ومعايير النجاح، والقيود، والأهداف المستبعَدة صراحةً.
التعريف يشمل
الحالة الملاحَظة · الأدلة · الأسباب الجذرية · النظام المتأثر · خط الأساس · الحالة المستهدَفة · معايير النجاح · القيود · الأهداف المستبعَدة
المخرج
تعريف المشكلة المُعتمَد
دورة الاكتشاف
الاكتشاف مش مجرد قائمة تُنجَز مرة واحدة من البداية للنهاية.
الملاحظة
التحليل
رسم الخريطة
وضع الفرضية
التحقق
التعريف
بمجرد الوصول لثقة كافية: مشكلة معتمَدة → الاستراتيجية والبنية.
تطبيق المنهجية
المشكلة الملاحَظة وسببها الجذري مش بالضرورة نفس الشيء. خد مثال تشغيلي مبسَّط.
الحالة الملاحَظة: طلبات العملاء بتاخد 48 ساعة للمعالجة.
دليل سير العمل: الطلبات بتمر عبر موافقات يدوية متعددة.
دليل الأنظمة: المعلومات ذات الصلة موجودة عبر تطبيقات منفصلة عن بعض.
دليل البيانات: نفس المعلومة بتتراجع وتتحقق منها بشكل متكرر.
فرضية السبب الجذري: سير العمل المبعثر والمعلومات صعبة الوصول بيخلقوا عمل بشري متكرر.
عند النقطة دي، مجرد إضافة واجهة تفاعلية ممكن تحسّن تجربة العميل من غير ما تحل القيد الأساسي في المعالجة. لذلك السؤال الهندسي بيتغيّر من "إزاي نضيف ذكاء اصطناعي؟" لـ"إيه التدخل اللي بيغيّر الآلية السببية اللي بتنتج النتيجة غير المرغوبة؟" — والتفرقة دي جوهر عملية البحث والاكتشاف.
الملاحظة: التحقق اليدوي من المستندات مرتبط بنقطة اختناق كبيرة في المعالجة.
الفرضية: سير عمل مُتحكَّم فيه لذكاء المستندات ممكن يقلل المراجعة اليدوية مع الحفاظ على ضوابط التحقق المطلوبة.
الأدلة المطلوبة: مستندات تمثيلية · معدلات الخطأ الحالية · أنماط الاستثناءات · متطلبات المراجعة · أوقات المعالجة
التقييم: جودة الاستخراج · معدل الاستثناءات · معدل المراجعة البشرية · وقت المعالجة · أنماط الفشل
القرار: دعم · تعديل · رفض الفرضية
الهدف مش إثبات إن التكنولوجيا المقترحة بتشتغل. الهدف هو تحديد هل الأدلة بتبرر استخدامها.
عرّف النجاح قبل التنفيذ
لو النجاح اتعرّف بعد التنفيذ بس، أي نتيجة تقريبًا ممكن تُفسَّر كنجاح. لذلك OpenQCore بتأسس خطوط أساس ومعايير تقييم ذات صلة أثناء الاكتشاف.
زمن الدورة
قد إيه العملية بتاخد وقت؟
التكلفة لكل عملية
إيه الموارد اللي كل معاملة بتستهلكها؟
معدل الخطأ
قد إيه العملية بتنتج نتيجة غير صحيحة؟
الإنتاجية
قد إيه من العمل النظام يقدر يعالجه؟
الجهد البشري
قد إيه من التدخل اليدوي مطلوب؟
الموثوقية
بأي اتساق النظام بيؤدي؟
جودة القرار
بأي دقة أو اتساق القرارات بتُتخذ؟
معدل الأتمتة
أي عمليات ممكن تكتمل من غير تدخل يدوي؟
التعرض للمخاطر
إيه المخاطر التشغيلية أو الأمنية أو التنظيمية الموجودة؟
مقاييس التجربة
إزاي العملية بتأثر على العملاء أو الموظفين أو المستخدمين الآخرين؟
البنية بسيطة: خط الأساس → التدخل → الهدف → القياس → التقييم.
لو التغيير المطلوب مش قابل للوصف، مش هيبقى ممكن تقييم نجاح الحل بشكل حقيقي.
الذكاء الاصطناعي يحتاج تحليل مخاطر سياقي
في المشاريع المتعلقة بالذكاء الاصطناعي، الاكتشاف بيفحص كمان هل استخدام الذكاء الاصطناعي المقترح مناسب للسياق اللي هيعمل فيه. إطار عمل NIST لإدارة مخاطر الذكاء الاصطناعي بينظّم النشاط حول أربع وظائف، ويصف إدارة المخاطر كعملية مستمرة عبر دورة حياة الذكاء الاصطناعي وليست فحصًا لمرة واحدة.
الإطار كمان بيحدد خصائص مرتبطة بالذكاء الاصطناعي الموثوق، منها الصلاحية والموثوقية، والسلامة، والأمان والمرونة، والمساءلة والشفافية، وقابلية التفسير، وتعزيز الخصوصية، وإدارة التحيز الضار.
الاستخدام المقصود
أنماط الفشل المحتملة
الإشراف البشري
حساسية البيانات
عواقب القرار
الأمان
الموثوقية
متطلبات التقييم
الضوابط التشغيلية
متطلبات الحوكمة
ده مش معناه إن كل مشروع محتاج نفس بنية الحوكمة. ضوابط المخاطر لازم تكون متناسبة مع النظام وسياقه وعواقب الفشل.
الأدلة قبل التوصية
إحنا بندور على التدخل اللي الأدلة بتدعمه. الأدلة الحديثة بتستمر في تأكيد أهمية إعادة تصميم العمل بدل مجرد وضع الذكاء الاصطناعي فوق العمليات القائمة.
~2/3
من المؤسسات لسه ما بدأتش في توسيع الذكاء الاصطناعي عبر المؤسسة بأكملها.
McKinsey، The State of AI: Global Survey 2025.
39%
أفادت بتأثير مرتبط بالذكاء الاصطناعي على الأرباح على مستوى المؤسسة.
McKinsey، The State of AI: Global Survey 2025.
نفس البحث بيحدد إعادة تصميم سير العمل كخاصية أساسية للمؤسسات اللي بتحقق قيمة أكبر من الذكاء الاصطناعي — وده أحد أسباب دراسة OpenQCore لنموذج التشغيل المحيط بالتكنولوجيا بدل التعامل مع النشر نفسه كهدف.
OpenQCore ما بتبدأش الاكتشاف بحل تقني محدَّد مسبقًا. الأدلة ممكن تشير إن التدخل المناسب هو إعادة تصميم العمليات، أو تكامل الأنظمة، أو هندسة برمجيات تقليدية، أو بنية بيانات، أو أتمتة سير العمل، أو التحليلات، أو الذكاء الاصطناعي، أو مزيج منهم. في بعض الحالات، الأدلة ممكن تشير إن بناء تكنولوجيا جديدة مش مبرر أصلاً.
OpenQCore ما بتوصيش بالذكاء الاصطناعي لأنه موضة. بنوصي بيه لما المشكلة والأدلة والاقتصاد والقيود التشغيلية تبرر استخدامه — وبنقول بوضوح لما ما يبقوش بيبرروه.
المشكلة → الأدلة → المتطلبات → القيود → التدخلات المرشَّحة → التقييم → النهج الأنسب — مش: الذكاء الاصطناعي → إيجاد مكان لاستخدامه.
اختيار التكنولوجيا بييجي بعد التحقيق.
الافتراضات بتتحدد بدل ما تُقدَّم كحقائق.
الاستنتاجات المهمة لازم ترتبط بالأدلة اللي بتدعمها.
حيث يوجد عدم يقين، لازم تُدرَس تفسيرات متنافسة.
معايير النجاح تُعرَّف قبل التنفيذ حيثما أمكن.
المجهولات والقيود تفضل ظاهرة.
مستوى التحليل لازم يعكس تكلفة وتعقيد ومخاطر القرار.
مخرجات الاكتشاف
البحث والاكتشاف مش المفروض ينتهي بعرض تقديمي مليان ملاحظات. لازم ينتج مخرجات تقدر تُبني عليها قرارات هندسية. حسب نطاق المشروع، ممكن تشمل:
سياق المشكلة، والأدلة، والملاحظات، والنتائج الرئيسية.
مين المتأثر، ومين مالك القرار، وأي نتائج مهمة.
إزاي العمل والمعلومات بتتحرك عبر المؤسسة دلوقتي.
التطبيقات، الواجهات، مصادر البيانات، التبعيات، والقيود التقنية.
تفسيرات مدعومة بالأدلة للحالة الملاحَظة.
الأداء الحالي مقابل المؤشرات التشغيلية أو التقنية ذات الصلة.
المتطلبات الوظيفية والتقنية والتشغيلية ومتطلبات الحوكمة المحدَّدة أثناء الاكتشاف.
الجدوى التقنية والبياناتية والتكاملية والتشغيلية حيثما تكون مطلوبة.
تدخلات محتملة مرتَّبة حسب الأدلة والقيمة والجدوى والمخاطر.
القيود والافتراضات والتبعيات والمخاطر الجوهرية المعروفة.
الأهداف والمقاييس ومنهج التقييم.
بوابة قرار الاكتشاف
الغرض من الاكتشاف مش ضمان استمرار المشروع، بل تحديد هل ينبغي أن يستمر. لذلك مشروع الاكتشاف ممكن ينتهي بواحد من عدة اتجاهات:
المشكلة معرَّفة بشكل كافٍ، والأدلة بتدعم التدخل، والمسار الهندسي يبدو قابلاً للتنفيذ.
لسه فيه عدم يقين مهم، والمطلوب أدلة إضافية.
المشكلة الأصلية أو التدخل المقترح ما بيطابقش نتائج التحقيق.
الهدف لسه صحيح، لكن تدخل تقني أو تشغيلي مختلف أنسب.
القيمة المتوقعة أو الجدوى أو المخاطر ما بتبررش التنفيذ.
عدم بناء النظام الخطأ ممكن يكون قيّم بنفس قدر بناء النظام الصح.
من البحث إلى البنية
البحث والاكتشاف مش منفصل عن دورة حياة الهندسة. مخرجاته بتتحول لمدخلات المرحلة الجاية: الأدلة → تعريف المشكلة المعتمَد → المتطلبات → القيود والمخاطر → معايير النجاح → الاستراتيجية والبنية.
البنية ما ينفعش تبدأ كمجموعة تقنيات مفضَّلة. لازم تنبع من فهم قابل للدفاع عنه لما يجب أن يحققه النظام، وضمن أي قيود، ولمين من أصحاب المصلحة، وعند أي مستوى مقبول من المخاطر، ومقابل أي نتائج قابلة للقياس.
مش لازم توصلنا باستراتيجية ذكاء اصطناعي جاهزة. هات التحدي التشغيلي، أو القيد التقني، أو سؤال البحث، أو الهدف التجاري. إحنا بنبدأ بتحديد إيه اللي بيحصل فعلاً — وإيه اللي الأدلة بتقول إنه المفروض يحصل بعد كده.
مراجع البحث والمنهجية
بنشير لهذه المصادر مباشرةً بدل إخفائها، لأن منهجيتنا مستمدة من مبادئ راسخة في البحث العلمي، وهندسة الأنظمة، وهندسة المتطلبات، والتحليل التجاري، وإدارة المخاطر.
Boston Consulting Group — Where's the Value in AI؟ (2024)
مبني على مسح شمل 1,000 من كبار التنفيذيين عبر أكثر من 20 قطاعًا و59 دولة؛ مصدر أرقام 74% / 26% ومبدأ 10–20–70 المُشار إليهم أعلاه.
McKinsey & Company — The State of AI: Global Survey 2025
مصدر بيانات التوسع والتأثير على الأرباح على مستوى المؤسسة، ونتيجة أهمية إعادة تصميم سير العمل لدى المؤسسات الأعلى أداءً.
ISO/IEC/IEEE 15288:2023 — هندسة الأنظمة والبرمجيات — عمليات دورة حياة النظام
المرجع الهندسي الأساسي للتعامل مع الأنظمة وعناصرها ودورة حياتها وأصحاب المصلحة فيها بشكل منظَّم.
ISO/IEC/IEEE 29148:2018 — هندسة المتطلبات
يحدد العمليات ومخرجات المعلومات اللازمة لهندسة المتطلبات عبر دورات حياة الأنظمة والبرمجيات؛ أكدت ISO استمرار الإصدار الحالي بعد مراجعته في 2024.
NIST — إطار إدارة مخاطر الذكاء الاصطناعي (AI RMF 1.0)
يدعم التفكير السياقي في مخاطر الذكاء الاصطناعي من خلال الحوكمة والرسم والقياس والإدارة، مع إدارة مستمرة للمخاطر عبر دورة حياة الذكاء الاصطناعي. إصدار NIST AI RMF 1.0 قيد المراجعة النشطة حاليًا، ولذلك نذكر الإصدار صراحةً بدل الإيحاء بأنه دائمًا أحدث إصدار نهائي.
