إطلاق منصة CollectivIQ لتجميع استجابات نماذج الذكاء الاصطناعي

أطلقت شركة CollectivIQ، التي تتخذ من بوسطن مقراً لها، منصة تستعلم من نماذج لغوية كبيرة (LLMs) متعددة في وقت واحد لإنتاج إجابات مدمجة وأكثر دقة. وتهدف الأداة إلى حل مشكلات المؤسسات المتعلقة بـ “هلوسة” الذكاء الاصطناعي، والتي تُعرّف بأنها معلومات غير دقيقة أو ملفقة يولدها الذكاء الاصطناعي. وتتكامل المنصة مع مزودين من بينهم OpenAI وAnthropic وGoogle وxAI، حيث تستعلم من ما يصل إلى 10 نماذج أخرى في آن واحد للعثور على المعلومات المتداخلة والمختلفة. ومن خلال مقارنة الاستجابات عبر أنظمة متعددة، صُممت الأداة لتقديم إجابة واحدة أكثر موثوقية مما يمكن لأي نموذج فردي إنتاجه بمفرده.

تأسست الشركة الناشئة داخل Buyers Edge Platform، وهي مؤسسة متخصصة في المشتريات بقطاع الضيافة. وقد ولدت هذه الأداة من مخاوف أثارها John Davie، المؤسس والرئيس التنفيذي لشركتي Buyers Edge Platform وCollectivIQ، بشأن خصوصية البيانات وخطر استخدام معلومات الشركة لتدريب نماذج الذكاء الاصطناعي العامة. وقال Davie: “لقد تلقينا نوعاً من التنبيه قبل عام تقريباً عندما علمنا أنه إذا كان موظفونا يستخدمون أي أدوات ذكاء اصطناعي متنوعة، أو حتى ترخيصهم الخاص، فقد يتم التدريب على معلومات شركتنا”. وأشار إلى أن مثل هذه الممارسات تعني أن الشركة قد تساعد منافسيها بشكل أساسي. وفي حين تقوم CollectivIQ بتشفير بيانات المطالبات (prompt data)، تشير الشركة إلى أنها لا تحذف جميع بيانات المطالبات، وهو تمييز مهم لامتثال المؤسسات.

طُرح البرنامج في البداية داخلياً للموظفين في بداية عام 2026. وبعد رؤية استجابة داخلية قوية وإدراك أن العديد من عملاء Buyers Edge Platform يواجهون تردداً مماثلاً بشأن اعتماد أدوات الذكاء الاصطناعي، قررت الشركة طرح المنصة للجمهور. وتعمل CollectivIQ بنموذج تسعير قائم على الاستخدام، حيث تدفع الشركة الناشئة تكاليف الرموز (token costs) ويدفع العملاء بناءً على استخدامهم. ويأمل Davie أن يجذب هذا النهج المؤسسات الحذرة من العقود طويلة الأجل والمقيدة، مما يوفر بديلاً للالتزام بمزود واحد. ويخطط Davie، الذي يعمل على بناء الشركات منذ ما يقرب من 28 عاماً، لطلب رأس مال خارجي لشركة CollectivIQ في وقت لاحق من هذا العام.

لماذا يهم

تعالج CollectivIQ قلق المؤسسات بشأن موثوقية الذكاء الاصطناعي وخصوصية البيانات من خلال الابتعاد عن الاعتماد على نموذج واحد، وتقديم نهج “مدمج” يتجنب الارتهان لمزود واحد.