في عصر الذكاء الاصطناعي، يُعد استخدام الأنظمة التجارية الذكية المدارة بواسطة النماذج اللغوية الكبيرة (LLMs) رائجة تزداد شيوعًا. ولكن، هل يمكن لهذه الأنظمة تغطية تكاليف ذكائها من خلال الأرباح التي تحققها؟ في دراستنا الجديدة، قدمنا أداة TradeLens، وهي أداة تشخيصية قائمة على السجلات لتقييم الأداء الاقتصادي للأنظمة التجارية.

تعمل TradeLens على إعادة بناء مسارات التداول، وتخصيص الأرباح والتكاليف إلى أدلة قابلة للتفسير. النقد هنا ليس فقط الأداء العام للنظام، بل مدى قدرته على تحويل تكاليف الذكاء إلى أرباح قابلة للقياس. تمكنا من الانخراط في تحليل شامل عبر نماذج أساسية مختلفة، ومقدرات رأس المال، وتكرار التداول، وهياكل الأنظمة.

لقد أثبتت النتائج أن الجدوى الاقتصادية تعتمد بشكل كبير على تحويل الذكاء إلى أرباح، حيث تظهر الأنظمة أنماط فشل متفاوتة، مثل اختيار الأصول السيئ في نموذج DeepSeek-V3.2 والتوقيت السلبي في نموذج GLM-4.7. كما تبين أن العوامل مثل حجم رأس المال وتكرار التداول تؤثر أيضًا، ولكن ليس بقدر التحسين أو التدهور في القيمة المعتمدة على توقيت القرار.

تغير هذه النتائج من تقييمات الأداء التي تركز على القدرات إلى تشخيص متعمق لعلاقة الذكاء بالأرباح. تعد هذه الأداة حقًا خطوة إلى الأمام في فهم كيف تعمل الأنظمة التجارية المدارة بالذكاء الاصطناعي وتقديم رؤى جديدة حول استراتيجيات تحسينها. ما هي وجهات نظركم حول هذا التطور؟ شاركونا في التعليقات.