مقياس قدرات الذكاء الاصطناعي

1. الملخص

يُعد مقياس قدرات الذكاء الاصطناعي (AI Capabilities Scale – AICAP)، الذي طوره الباحثون محمد أبو فول وخوسيه لويس رويز-ألبا وبابلو خوسيه لوبيز-تينوريو (Abou-Foul, Ruiz-Alba, & López-Tenorio, 2023)، أداة سيكومترية متطورة صُممت لتقييم وقياس منظومة القدرات المرتبطة بتطبيقات وتقنيات الذكاء الاصطناعي في البيئات التنظيمية والمؤسسية المعاصرة. انطلق الباحثون في تطوير هذا المقياس من ضرورة توسيع الإطار المفاهمي لقدرات الذكاء الاصطناعي ليتجاوز الأبعاد التقنية والهندسية البحتة، ليشمل تقاطعات استراتيجية متعددة تمتد عبر ابتكار نماذج الأعمال، وإدارة المعلومات، وعلم البيانات والذكاء الحاسوبي الموجه نحو خلق القيمة.

يتكون المقياس بصيغته النهائية من سبع عشرة فقرة (17 فقرة) موزعة عبر أربعة أبعاد مفاهمية متمايزة ومترابطة بنيوياً: (1) مقترح القيمة للعملاء المدعوم بالذكاء الاصطناعي (AI Customer Value Proposition)، (2) تحسين العمليات الجوهرية بالذكاء الاصطناعي (AI Key Processes Optimization)، (3) تحسين الموارد الجوهرية بالذكاء الاصطناعي (AI Key Resources Optimization)، و(4) الصالح المجتمعي والاستدامة بالذكاء الاصطناعي (AI Societal Good). تم تطبيق المقياس وفق سلم ليكرت الخماسي المتدرج من (1 = أعارض بشدة إلى 5 = أوافق بشدة).

اعتمد التطوير المنهجي للمقياس على إطار C-OAR-SE المنهجي الصارم (Rossiter, 2002)، والذي تضمن تعريف البناء، وتصنيف الموضوع والسمات، وتحديد المقيمين، وتشكيل المقياس. خضعت الأداة لاختبارات سيكومترية موسعة على عينة من المديرين والخبراء في شركات التصنيع في الولايات المتحدة الأمريكية والاتحاد الأوروبي. أظهرت نتائج التحليل العاملي الاستكشرافي (EFA) والتحليل العاملي التوكيدي (CFA) ملاءمة نموذجية عالية وتشبعات عاملية قوية تخطت حاجز 0.60 لكافة الفقرات، إلى جانب صدق تقاربي ممتاز حيث تجاوز متوسط التباين المستخلص (AVE) عتبة 0.50، وصدق تمايزي مؤكد بحسب معايير هينسلر ومحك (Bagozzi & Yi, 1988)، بالإضافة إلى اتساق داخلي مرتفع تجاوزت فيه قيم ألفا كرونباخ للأبعاد الأربعة مستوى 0.70، مما يؤكد الكفاءة السيكومترية للأداة وموثوقيتها في الدراسات التنظيمية والبحث العلمي.

2. الكلمات المفتاحية

قدرات الذكاء الاصطناعي، القياس السيكومتري، مقترح القيمة للعملاء، تحسين العمليات المؤسسية، إدارة الموارد الجوهرية، الصالح المجتمعي، التوجه نحو الخدمات، نظرية القدرات الديناميكية، صدق البناء، ابتكار نماذج الأعمال.

3. المؤلفون

تم تطوير مقياس قدرات الذكاء الاصطناعي بواسطة فريق بحثي متخصص في الإدارة الاستراتيجية، ونظم المعلومات، وإدارة التكنولوجيا:

• د. محمد أبو فول (Mohamad Abou-Foul): جامعة الأزهر – غزة، كلية الاقتصاد والعلوم الإدارية، فلسطين. البريد الإلكتروني للمراسلة: [email protected].
• أ.د. خوسيه لويس رويز-ألبا (Jose L. Ruiz-Alba): كلية ويستمستر للأعمال (Westminster Business School)، جامعة ويستمستر (University of Westminster)، لندن، المملكة المتحدة. البريد الإلكتروني: [email protected].
• د. بابلو خوسيه لوبيز-تينوريو (Pablo J. López-Tenorio): كلية العلوم الاجتماعية التطبيقية والاتصال، جامعة يونايت الدولية (UNIE Universidad)، مدريد، إسبانيا. معرّف أوركيد الرقمي (ORCID): 0000-0003-4601-0733.

4. الغرض

يهدف مقياس قدرات الذكاء الاصطناعي (AICAP) إلى سد فجوة مفاهمية ومنهجية بالغة الأهمية في الأدبيات التنظيمية والإدارية المعاصرة. في ظل التسارع الهائل لدمج خوارزميات الذكاء الاصطناعي في المنظمات، كانت المقاييس السابقة تميل إما إلى التركيز المفرط على البنية التحتية لتكنولوجيا المعلومات (IT Infrastructure) كالأجهزة والبرمجيات، أو حصر التقييم في اتجاهات الأفراد وقبول التكنولوجيا (Technology Acceptance Models). جاء مقياس AICAP ليقدم أداة قياس على المستوى التنظيمي (Organizational-Level Measurement) تلتقط جوهر قدرات الذكاء الاصطناعي بوصفها قدرات تنظيمية ديناميكية تؤثر مباشرة في نموذج الأعمال وخلق القيمة.

تتمثل المقاصد البحثية والعملية للمقياس في عدة مجالات حيوية:

• التشخيص والتقييم التنظيمي: توفير إطار تشخيصي دقيق للقادة والمديرين لتقييم النضج الرقمي لمنظماتهم في توظيف تقنيات الذكاء الاصطناعي، وتحديد مجالات القوة ونقاط الضعف عبر وظائف الأعمال المتنوعة كالتسعير، وخدمات ما بعد البيع، والتحكم في سلاسل التوريد.
• البحث التجريبي والنظري: تمكين الباحثين في مجالات إدارة التكنولوجيا، ونظم المعلومات الإدارية، وسلوك المنظمات، من فحص العلاقات السببية بين قدرات الذكاء الاصطناعي والمتغيرات التنظيمية المعقدة، مثل: التحول الخدمي (Servitization)، القدرة الاستيعابية للمعرفة (Absorptive Capacity)، الأداء المالي، والميزة التنافسية المستدامة.
• توجيه الاستثمار الاستراتيجي: مساعدة صانعي القرار على مواءمة استثمارات الذكاء الاصطناعي مع الأهداف الاستراتيجية الشاملة للمؤسسة، بما يضمن عدم حصر التكنولوجيا في الأتمتة التشغيلية الروتينية، بل توجيهها نحو الابتكار في خدمة العملاء والمسؤولية المجتمعية والبيئية.
• قياس الأثر البيئي والمجتمعي: يبرز المقياس بصورة فريدة كأداة تلحظ وتزن دور الذكاء الاصطناعي في تعزيز الاستدامة وتقليل الانبعاثات الكربونية وتحسين السلامة المهنية، وهو ما تفتقر إليه المقاييس التقنية التقليدية.

5. البناء النفسي والتنظيمي للمقياس

ينظر مقياس AICAP إلى قدرات الذكاء الاصطناعي كبناء تركيبي متعدد الأبعاد (Multidimensional Construct) يجسد قدرة المنظمة على دمج تقنيات البيانات والتعلم الآلي في عملياتها التشغيلية والاستراتيجية. يتشكل البناء من أربعة أبعاد فرعية رئيسية تم تعريفها وضبطها بدقة:

1. مقترح القيمة للعملاء المدعوم بالذكاء الاصطناعي (AI Customer Value Proposition)

يقيس هذا البعد مدى استثمار المنظمة لأنظمة الذكاء الاصطناعي لإعادة صياغة التجربة الكلية للعميل وتخصيصها. يشمل ذلك استخدام تحليلات ما بعد البيع لفهم احتياجات العملاء المعقدة، وتوظيف نماذج التعلم الآلي للتسعير الديناميكي، وتقديم عقود الضمان المحسنة، والاستفادة من بيانات الحساسات الذكية (IoT sensors) لتوفير خدمات الصيانة التنبؤية التي تضمن استمرارية أعمال العميل بنجاح. إنه يقيس التحول من بيع منتج جامد إلى تقديم حلول ذكية مستمرة.

2. تحسين العمليات الجوهرية بالذكاء الاصطناعي (AI Key Processes Optimization)

يركز هذا البعد على الكفاءة التشغيلية الداخلية للمنظمة وتطوير العمليات الحيوية. يعكس مدى تطبيق علم البيانات المتقدم في التنبؤ الدقيق بالطلب وإدارة المخزون، والاستحواذ الاستراتيجي على البيانات لتلبية الطلبيات في المواعيد المحددة، ودمج الوكلاء التحاوريين الأذكياء (Chatbots) في نظم إدارة علاقات العملاء (CRM)، واستخدام الروبوتات المتقدمة والرؤية الحاسوبية (Machine Vision) في تحسين خطوط الإنتاج وجودة المنتجات وإدارة قائمة المواد (BOM).

3. تحسين الموارد الجوهرية بالذكاء الاصطناعي (AI Key Resources Optimization)

يعنى هذا البعد بإدارة وتوجيه الأصول الاستراتيجية للمنظمة بالاعتماد على خوارزميات الذكاء الاصطناعي. يتناول تحسين شبكات الموردين عبر مستودعات البيانات الموحدة، وتحسين إدارة القوى العاملة ورأس المال البشري، وتأمين وحماية الموارد الشبكية والأمن السيبراني، وتحديد الموردين والشركاء الأقل تكلفة والأعلى كفاءة عبر الخوارزميات التحليلية المعقدة.

4. الصالح المجتمعي والاستدامة بالذكاء الاصطناعي (AI Societal Good)

يمثل هذا البعد التزام المنظمة بالمسؤولية المجتمعية والبيئية من خلال التكنولوجيا. يقيس مدى تدريب المساعدين الأذكياء لتعزيز السلامة المهنية في بيئات العمل، وتطبيق خوارزميات التعلم المعزز العميق (Deep Reinforcement Learning) لخفض استهلاك الطاقة والانبعاثات الضارة والنفايات الصناعية، واستخدام التحليلات المعيارية لتوفير حلول ومنتجات خضراء للعملاء تسهم في مواجهة التحديات المناخية العالمية مثل إزالة الكربون (Decarbonization).

6. الإطار النظري

يستند مقياس قدرات الذكاء الاصطناعي (AICAP) في جذوره المعرفية إلى منظور القدرات الديناميكية (Dynamic Capabilities Perspective) في الإدارة الاستراتيجية، الذي أسس دعائمه ديفيد تيس وغاري بيسانو وآمي شوين (Teece, Pisano, & Shuen, 1997)، وطوره تيس لاحقاً (Teece, 2007). تفترض هذه النظرية أن الميزة التنافسية المستدامة للمؤسسات في البيئات شديدة التغير والتذبذب التقني لا تنبع فقط من امتلاك الموارد الثابتة (وفق نظرية الموارد القائمة على الموارد RBV)، بل من قدرة المنظمة على استشعار الفرص والتهديدات (Sensing)، واقتناص هذه الفرص (Seizing)، وإعادة تشكيل الأصول المؤسسية وتكييفها (Transforming/Reconfiguring).

في هذا السياق، لا يُعامل الذكاء الاصطناعي كمجرد برمجيات معزولة، بل كقدرة ديناميكية مؤسسية تمكن الشركات الصناعية والتجارية من استشعار أنماط السوق المتغيرة عبر تحليل البيانات الضخمة، واقتناص الفرص من خلال تقديم مقترحات قيمة شخصية ونماذج تسعير مرنة، وإعادة تشكيل الموارد وسلاسل الإمداد بما يعزز المرونة المؤسسية. كما يتقاطع هذا الإطار مع أدبيات “التحول الخدمي للمصنعين” (Servitization)، حيث تسعى الشركات الصناعية إلى التحول من مجرد بيع الآلات إلى بيع عقود الخدمات والأداء القائمة على النظم السيبرانية-الفيزيائية الذكية.

اعتمد المنهج الإجرائي لبناء المقياس على نموذج C-OAR-SE المقترح من قبل روسيتر (Rossiter, 2002)، والذي يؤكد على أن صدق المقياس يبدأ بالتعريف الصارم للبناء (Construct definition)، ثم تحديد الكائن والسمات بدقة متناهية بالاعتماد على مراجعة أدبيات التكنولوجيا والإدارة واستشارة الخبراء، مما أتاح اشتقاق فقرات تتمتع بصدق ظاهري ومحتوى نظري رصين يعكس واقع العمليات التنظيمية للذكاء الاصطناعي.

7. الصدق

خضع مقياس قدرات الذكاء الاصطناعي لاختبارات تجريبية صارمة للتحقق من خصائصه السيكومترية وصدقه التجريبي، باستخدام بيانات جُمعت من عينة شملت مؤسسات صناعية تصنيعية رائدة في الولايات المتحدة والاتحاد الأوروبي:

• الصدق التقاربي (Convergent Validity): تم قياس الصدق التقاربي من خلال حساب متوسط التباين المستخلص (Average Variance Extracted – AVE) لكل بعد من أبعاد المقياس الأربعة. أظهرت النتائج أن قيم AVE لجميع الأبعاد تجاوزت الحد الأدنى الموصى به أكاديمياً وهو 0.50 (Bagozzi & Yi, 1988)، مما يشير إلى أن البناء الكامن يفسر أكثر من نصف تباين مؤشراته وفقراته المعنية، مما يدل على ارتباط وثيق وتماسك دلالي بين فقرات كل بعد.
• الصدق التمايزي (Discriminant Validity): تم التحقق من الصدق التمايزي باتباع المعايير الحديثة المقترحة من قبل هينسلر وزملائه (Henseler et al., 2015). كانت جميع معاملات الارتباط البينية بين الأبعاد الفرعية أقل بكثير من القيمة الحرجة المحددة بـ 0.85، كما حققت مصفوفة فورنيل-لاركر (Fornell-Larcker) الشروط اللازمة بتفوق الجذر التربيعي لقيم AVE لكل بعد على ارتباطه بالأبعاد الأخرى، مما يبرهن على أن كل بعد من أبعاد الذكاء الاصطناعي يقيس سمة مستقلة ومفارقة للأبعاد الأخرى.
• صدق البناء والمحتوى (Construct and Content Validity): دُعم صدق المحتوى عبر مسار C-OAR-SE والتقييم النوعي من قبل لجان الخبراء الأكاديميين وممارسي الصناعة لضمان التغطية الدلالية لمجال قدرات الذكاء الاصطناعي، وتأكد صدق البناء عبر ملاءمة النموذج الهيكلي والتأكيدي لبيانات العينة الواقعية.

8. الثبات

أظهرت التحليلات الإحصائية للمقياس مؤشرات ثبات واتساق داخلي عالية الكفاءة:

• معامل الاتساق الداخلي (ألفا كرونباخ – Cronbach’s Alpha): أظهرت كافة المقاييس الفرعية المشكلة للأداة معاملات ثبات ألفا كرونباخ تجاوزت عتبة القبول المعيارية (0.70) بحسب المحكات المعتمدة في القياس النفسي والإداري (Nunnally & Bernstein, 1994). دلت القيم المرتفعة على تجانس الفقرات المكونة لكل مقياس فرعي وقدرتها المتسقة على قياس البعد المخصص لها.
• الثبات التركيبي (Composite Reliability – CR): تجاوزت قيم الثبات التركيبي (CR) لكافة المتغيرات الكامنة حاجز 0.80، مما يؤكد خلو الأداة من التباين العشوائي ويبرهن على أن التقديرات الناتجة عن المقياس تعكس بثبات مستوى قدرات الذكاء الاصطناعي للمؤسسة الخاضعة للقياس عبر الزمن والظروف المتباينة.

9. التحليل العاملي

أُجريت سلسلة من التحليلات العاملية الاستكشافية والتوكيدية لاختبار البنية التكوينية لمقياس قدرات الذكاء الاصطناعي:

التحليل العاملي الاستكشافي (Exploratory Factor Analysis – EFA)

استُخدم أسلوب تحليل المحاور الرئيسية (Principal Axis Factoring) مع التدوير المائل من نوع بروماكس (Promax Oblique Rotation)، نظراً للتوقع النظري بوجود ارتباطات طبيعية بين الأبعاد الفرعية لقدرات المنظمة. تم تطبيق قاعدة كايزر للاحتفاظ بالعوامل ذات الجذور الكامنة (Eigenvalues) الأكبر من 1.0. أسفر التحليل عن استخلاص أربعة عوامل رئيسية مطابقة تماماً للبناء المفاهيمي النظري المقترح. أظهرت كافة الفقرات تشبعات قوية على عواملها الأصلية فاقت القيمة الحرجة المعتمدة للدراسات الجديدة (0.60)، دون وجود تشبعات متقاطعة (Cross-loadings) معنوية على العوامل الأخرى (Kline, 2014)، باستثناء ثلاث فقرات أولية أظهرت مؤشرات غير مستقرة تمت متابعتها في التحليل اللاحق.

التحليل العاملي التوكيدي (Confirmatory Factor Analysis – CFA)

في مرحلة التحليل العاملي التوكيدي باستخدام نمذجة المعادلات البنائية (SEM)، تم تقييم نموذج القياس للتحقق من البنية أحادية البعد لكل مقياس فرعي. كشفت نتائج التحليل الأولي ومؤشرات التعديل (Modification Indices) عن وجود ثلاث فقرات تعاني من تداخل في أخطاء التباين وارتفاع في مؤشرات التعديل؛ وبناءً على التوصيات المنهجية لباغوتزي ويي (Bagozzi & Yi, 1988)، تم حذف هذه الفقرات الثلاث لتنقيح الأداة. أسفر النموذج النهائي المكون من 17 فقرة عن مؤشرات مطابقة وحسن ملاءمة ممتازة وفق المعايير القياسية:

• نسبة مربع كاي إلى درجات الحرية (χ²/df) ضمن الحدود المقبولة.
• مؤشر المطابقة المقارن (CFI) ومؤشر تاكر-لويس (TLI) تجاوزا حاجز 0.90.
• جذر متوسط مربعات خطأ الاقتراب (RMSEA) كان أقل من 0.08 مع فترات ثقة إحصائية ملائمة.

10. أداة القياس

تتمتع أداة AICAP ببناء تنظيمي واضح ومحدد يعكس الخصائص الفنية التالية:

• نوع الاختبار: مقياس تقييم ذاتي تنظيمي/تقرير إداري (Organizational Self-Report Measure).
• الفئة المستهدفة: المديرون التنفيذيون، مديرو العمليات، مسؤولو التحول الرقمي، مهندسو البيانات في الشركات والمؤسسات الصناعية والتكنولوجية (البالغون من عمر 18 عاماً فما فوق).
• عدد الفقرات الكلي: 17 فقرة موزعة على 4 محاور فرعية: مقترح القيمة للعملاء (4 فقرات)، تحسين العمليات الجوهرية (6 فقرات)، تحسين الموارد الجوهرية (4 فقرات)، الصالح المجتمعي (3 فقرات).
• تنسيق الاستجابة ومقياس التدرج: مقياس ليكرت خماسي النقاط (5-point Likert Scale) موزعة خياراته كالتالي:
  • 1 = أعارض بشدة (Strongly disagree)
  • 2 = أعارض (Disagree)
  • 3 = محايد / لا أتفق ولا أعارض (Neither agree nor disagree)
  • 4 = أوافق (Agree)
  • 5 = أوافق بشدة (Strongly agree)
• نظام التصحيح واحتساب الدرجات: تُحسب الدرجة بمتوسط إجابات الفقرات لكل بعد فرعي، كما يمكن استخراج درجة كلية لقدرات الذكاء الاصطناعي للمنظمة من خلال متوسط كافة الفقرات السبع عشرة؛ حيث تشير الدرجات المرتفعة إلى نضج وقدرات استراتيجية متقدمة في الذكاء الاصطناعي.
• الفقرات المعكوسة: لا توجد فقرات مصاغة بصورة عكسية؛ حيث تمت صياغة جميع الفقرات باتجاه إيجابي يعكس امتلاك القدرة واستخدامها الفعلي.

11. الأذونات والرسوم وسنة الاختبار

تم نشر المقياس وتوثيقه علمياً في عام 2023 ضمن دراسة منشورة في مجلة أبحاث الأعمال (Journal of Business Research). تتاح الأداة للاستخدام في مجالات البحث العلمي والتعليم الأكاديمي والتدريب دون مقابل مالي (Free for Academic Research and Teaching)، شريطة الإشارة المرجعية الكاملة للمؤلفين والورقة الأصلية. أما الاستخدامات التجارية الواسعة أو دمج الأداة في منصات استشارية ربحية فيتطلب مراجعة الناشر الأصلي (Elsevier) والتواصل مع المؤلف الرئيسي للحصول على التراخيص الرسمية اللازمة.

12. المراجع

• Abou-Foul, M., Ruiz-Alba, J. L., & López-Tenorio, P. J. (2023). The impact of artificial intelligence capabilities on servitization: The moderating role of absorptive capacity—A dynamic capabilities perspective. Journal of Business Research, 157, Article 113609. https://doi.org/10.1016/j.jbusres.2022.113609
• Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16(1), 74–94. https://doi.org/10.1007/BF02723327
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
• Kline, R. B. (2014). Principles and practice of structural equation modeling (4th ed.). Guilford Publications.
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Rossiter, J. R. (2002). The C-OAR-SE procedure for scale development in marketing. International Journal of Research in Marketing, 19(4), 305–335. https://doi.org/10.1016/S0167-8116(02)00097-6
• Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640
• Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533.

13. فقرات المقياس

فيما يلي نورد الفقرات الرسمية السبع عشرة لمقياس قدرات الذكاء الاصطناعي (AICAP) بلغتها الأصلية المعتمدة في الدراسة التطويرية، مصنفة وفق أبعادها الأربعة، ومرفقة بمقياس الاستجابة الخماسي المحدد بدقة.