في أكتوبر 2025، أعادت شركة Deloitte أموالًا إلى الحكومة الأسترالية. كانت الشركة قد سلّمت مراجعةً بقيمة 440,000 دولار أسترالي إلى وزارة العمل وعلاقات مكان العمل؛ وتضمّن التقرير المنشور اقتباسًا مختلَقًا من حكم قضائي فيدرالي، واستشهادات بأوراق أكاديمية غير موجودة (The Guardian، 2025). وكشفت نسخة معدّلة أن GPT-4o قد استُخدم في الصياغة. وأشارت تقارير لاحقة إلى أن المبلغ المُستردّ بلغ نحو 97,000 دولار أسترالي — الدفعة الأخيرة من العقد.
ثمة تفصيل يفوق المال أهميةً. لم تكتشف الشركة المختلَقات في مراجعتها، ولا اكتشفها العميل في مراجعته. اكتشفها أكاديمي خارجي تحقّق من المراجع. كان المُنتَج قد اجتاز كل طبقات التدقيق المصمَّمة له، لأن شيئًا فيه لم يبدُ خاطئًا.
هذه هي الفئة: ليس النموذج الذي يُخفق، بل النموذج الذي يُجيب. اطلب من نموذج لغوي جمع الإيرادات عبر مئتي صف، وستحصل على إجابة بالحجم الصحيح ورمز العملة الصحيح وجملة واثقة تحيط بها. ما لن تحصل عليه بصورة موثوقة هو المجموع. الإجابة الغائبة تُكتشف. الإجابة الخاطئة ذات الهيئة الرصينة تُحال إلى مجلس الإدارة.
والهيئة لا تنكسر أبدًا، لأن الثقة هي أيضًا نص مُولَّد. النموذج لا يعلم أنه مخطئ؛ ولا يوجد إنذار داخلي يكبته. الجملة التي تُقرّر الرقم والرقم ذاته يصدران من المكان نفسه — الرمز الأكثر احتمالًا.
المعقول ليس محسوبًا
الغريزة تدفع إلى تصنيف الأرقام الخاطئة تحت خانة نضج النموذج: بالتأكيد الإصدار القادم يجمع بشكل صحيح. البحث يقول إن الإخفاق بنيوي، وهو متسق بشكل لافت في تفسير السبب.
GPT-4، حين طُلب منه ضرب عددين من ثلاثة أرقام، أصاب في 59% من الحالات دون توجيه مسبق؛ وChatGPT في 55% (arXiv، 2023). عند أربعة أرقام، انخفض GPT-4 إلى 3%. وعند خمسة، إلى 0%. تتبّع مؤلفو Faith and Fate الآلية: تعالج المحوّلات المسائل التركيبية بمطابقة أجزاء خطية مما رأته — بحث عن أنماط، لا إجراء. والهاوية تقع تحديدًا حيث تنفد الأنماط.
الجمع ليس أكثر أمانًا. وجد تحليل عام 2025 أن نماذج اللغة تجمع باستخدام إرشادية استباق أحادية الرقم بدلًا من خوارزمية: تنهار الدقة تحديدًا حيث تتتالى الحمل بما يتجاوز رقمًا واحدًا، بصرف النظر عن التوجيه أو التقطيع، والإخفاقات قابلة للتنبؤ من بنية الحمل وحدها (arXiv، 2025). منهجي، لا عشوائي. النموذج لا يكاد يحسب. إنه يفعل شيئًا آخر كثيرًا ما يتوافق مع الحساب.
أغلق GSM-Symbolic من Apple الثغرة المتبقية — ربما يقتصر هذا على الحساب الصعب (Apple، 2024). خذ مسائل كلامية من مستوى المرحلة الابتدائية وغيّر الأرقام فحسب دون أي شيء آخر: كل نموذج متطور اختُبر أدّى أداءً أسوأ. أضف جملة واحدة معقولة المظهر لكنها غير ذات صلة: انخفضت الدقة بنسبة تصل إلى 65%. وتفاوتت الدقة بشكل ملحوظ عبر تجسيدات جديدة لقالب السؤال ذاته — المسألة نفسها، بصياغة مختلفة، تُعيد توزيعًا مختلفًا من الإجابات. هذه النتيجة الأخيرة تفسّر مشكلة العرض التوضيحي. العرض التوضيحي سحبة واحدة من التوزيع. التدقيق هو التوزيع.
حكم المؤلفين — «نماذج اللغة الحالية غير قادرة على الاستدلال المنطقي الحقيقي» — صريح بشكل غير معتاد لورقة بحثية. ولم يتراجع عنه أحد.
الحلول الواضحة، مقيسةً
كل فريق يصطدم بهذا الإخفاق يلجأ إلى الحلول الأربعة ذاتها. وكل واحد منها قد قِيس.
الاسترجاع. طرح FinanceBench على GPT-4-Turbo 150 سؤالًا حول الإيداعات المالية العامة، مع نظام استرجاع يُمدّه بالوثائق. فأجاب إجابات خاطئة أو رفض الإجابة في 81% منها (Patronus AI، 2023). كشفت ستة عشر تهيئة — GPT-4-Turbo وLlama 2 وClaude 2 ومخازن المتجهات والسياق الطويل — عن نقاط ضعف عبر 2,400 إجابة راجعها بشر يدويًا، وهلوست النماذج بأرقام كلما لم تُزوَّد بصفحات الأدلة بشكل مثالي. الاسترجاع يجلب الوثيقة. النموذج لا يزال يُخطئ الرقم.
التأريض. منحت BBC نماذج ChatGPT وCopilot وGemini وPerplexity وصولًا مباشرًا إلى مقالاتها وسألتها عن الأخبار. 51% من الإجابات تضمّنت مشكلات جوهرية؛ و91% تضمّنت مشكلات على الأقل. 19% من الإجابات التي استشهدت بمحتوى BBC أدخلت أخطاء واقعية — عبارات خاطئة وأرقام خاطئة وتواريخ خاطئة — و13% من الاقتباسات المنسوبة إلى مقالات BBC كانت مُعدَّلة أو غير موجودة أصلًا (BBC، 2025). المصدر كان في متناول اليد. الأرقام انحرفت رغم ذلك.
نموذج أذكى. تُفيد بطاقة النظام الخاصة بـ OpenAI بأن o3 يهلوس في 33% من مطالبات PersonQA وo4-mini في 48% — مقابل 16% للنموذج الأقدم o1 (OpenAI، 2025). وفق قياس المورّد نفسه، تهلوس نماذج الاستدلال الأحدث بمعدل ضعفين إلى ثلاثة أضعاف سابقتها. o3 يُصدر ادعاءات أكثر فحسب — صحيحة أكثر ومختلَقة أكثر، بالدرجة ذاتها من اليقين.
توجيه أفضل. يرفع التوجيه خطوة بخطوة دقة GPT-4 في ضرب ثلاثة أرقام من 59% إلى 92% (arXiv، 2023). أفضل — ومع ذلك نتيجة ضرب خاطئة من كل اثنتي عشرة. حتى الضبط الدقيق المكثّف لـ GPT-3 على ضرب أربعة أرقام أنتج نحو 40% على مسائل أربعة أرقام غير مرئية، و0% عند خمسة أرقام. السقف هو الآلية، لا التوجيه.
كل حل يُحسّن الاحتمالات. لا أحد منها يُغيّر من يُجري الحساب. الإجابة لا تزال مُستقاة من توزيع أرقام معقولة المظهر، وعضو واحد فقط من ذلك التوزيع هو المجموع.
غيّر من يُجري الحساب
الإجابة البنيوية هي تقسيم عمل مرسوم بدقة على خط الكفاءة. نماذج اللغة بارعة في اللغة وغير موثوقة في الأرقام، لذا يجب ألا يكون النموذج هو من يحسب.
SQAI مبني على هذا الفصل. يُؤلّف النموذج نيةً مكتوبة — sum amount where region = "east" — ومحرك حتمي ينفّذها كرمز مُصرَّف: مُتحقَّق منه مقابل عقد مثبَّت بالتجزئة، مفحوص مقابل السياسة، محسوب بـ float64 على خيط واحد، مُعاد مع سند الإثبات.
{
"status": "ok",
"value": 2130.5,
"rows_matched": 5
}
هذا الـ 2130.5 ليس رمزًا محتملًا. إنه المجموع، تُنتجه نواة حتمية من سطح مؤلَّف من 4,574 قدرة للقراءة فقط عبر 445 وحدة — 4,564 منها حتمية بالكامل — تُجيب في 0.83–0.93 مللي ثانية دافئًا.
الحتمي يعني قابلًا للتحقق. finance.npv(0.1, [-1000, 300, 420, 560, 680]) يُعيد 505.020148896933 تحت تجزئة الحساب b74f67d0… — القيمة ذاتها والتجزئة ذاتها سواء أُجري الاستدعاء من TypeScript أو Python، لأن النتائج تُجزَّأ على شكل JSON قانوني واحد. الادعاء محدود النطاق بأمانة: حتمي ضمن نطاق التنفيذ المُعلَن، مع غلاف يُسجّل إصدار وقت التشغيل والمنصة ووضع الدقة وعدد الخيوط بدلًا من الادعاء بأكثر مما يُمكن ضمانه. إجابة النموذج على المطالبة ذاتها لا تستطيع أن تعد بمطابقة نفسها في التشغيل التالي. هذه تُعاد بالبايت ذاته، بعد أشهر، في أي من اللغتين.
ثمة تسرّب ثانٍ، وأغلب البنى تتركه مفتوحًا. أرفق محرك حساب، ثم صبّ صفوف الاستعلام الخام في السياق «للتلخيص» — وسيُعيد النموذج بهدوء اشتقاق الأرقام واختراعها من الصفوف. يعامل SQAI السياق كـ حدود محكومة: 25 صفًا على الأكثر و250 خلية و32,000 بايت تصل إلى النموذج، خلف حد افتراضي قدره 100 صف وسقف تنفيذ صارم قدره 1,000. الاقتطاع مُعلَن دائمًا، فلا يستطيع النموذج بصدق أن يدّعي أنه جمع ما رآه. الصفوف الجزئية لا تُعرض أبدًا، فلا يُغريه نصف سجل على الإكمال من الخيال. التجميعات تُحسب قبل الحدود. النموذج يتلقى الإجابة، لا الواجب المنزلي.
والسياسة ليست توجيهًا. المصادر والحقول والدوال المسموح بها مُثبَّتة في الرمز عند createSQAI() ومفحوصة داخل العملية قبل التنفيذ؛ ومدخل أداة النموذج لا يحمل أي حقول سياسة على الإطلاق، فلا شيء يستطيع توسيعه. طلب قدرة خارج السياسة لا يُنتج حلًا إبداعيًا — بل يُنتج policy_denied_function. الحجة هي ذاتها الداعية إلى عدم السماح للوكلاء بكتابة SQL: لا تحكم النص المُولَّد بتعليمات بالغة الجهد؛ احكم التنفيذ بقوائم سماح لا يستطيع النص لمسها.
من أجرى الحساب؟
في المرة القادمة التي يُسلّمك فيها نظام ذكاء اصطناعي رقم إيرادات، سؤال واحد يُصنّف كل بنية في السوق: من أجرى الحساب؟
إن كانت الإجابة «النموذج»، فأنت تحمل رقمًا بهيئة ممتازة ومصدر مجهول، والمسار الوحيد للتحقق هو إعادة العمل يدويًا — وهو بالضبط ما كنت تسعى إلى أتمتته. اختلاقات Deloitte اكتُشفت لأن أكاديميًا خارج العملية قرّر التحقق. هذا ليس ضبطًا. هذا حظ.
إن كانت الإجابة «محرك حتمي، وهذه هي التجزئة»، فالتحقق هو إعادة التشغيل: النية ذاتها، المحرك ذاته، البايتات ذاتها. يصبح الإخفاق أدق — وأهدأ — حين يأتي الرقم الخاطئ من ربط متشعّب لا من جمع خاطئ، وتلك قصة أخرى. لكن الانضباط يتسع لجملة واحدة: النموذج يكتب السؤال، لا الإجابة.
الرقم الخاطئ لا يُعلن عن نفسه. يصل منسَّقًا ومستشهَدًا به وواثقًا — وعند خمسة أرقام من الضرب، لا يكون صحيحًا أبدًا. ابنِ البنية بحيث لا يستطيع الدخول.