في عالم الذكاء الاصطناعي، تطورت أنظمة الوكلاء القائمة على نماذج اللغات الضخمة (Large Language Models) بشكل ملحوظ، إذ تحاول الآن الانتقال من مجرد الاستجابة للتعليمات إلى أن تكون استباقية في تلبية احتياجات المستخدم. هذا التطور غير المسبوق يأتي مع تحديات جديدة تتعلق بتقييم هذه الاستباقية التي تمثل قلب الابتكار.
ولكن كيف يمكن قياس فعالية الأنظمة في هذا السياق؟ هنا يأتي دور منهجية جديدة تم تقديمها تحت اسم PROBE (Proactive Resolution Of BottlEnecks).
PROBE تقوم بتفكيك الاستباقية إلى ثلاثة مجالات رئيسية:
1. **البحث عن المشكلات غير المحددة**: كيف تستطيع الأنظمة التعرف على القضايا المحتملة قبل أن تظهر؟
2. **تحديد الاختناقات المحددة**: ما هي المشكلات المُعينة التي تحتاج إلى حلول سريعة؟
3. **تنفيذ الحلول المناسبة**: كيفية تصرف الأنظمة لحل هذه المشكلات بكفاءة.
من خلال تطبيق PROBE على نماذج مثل GPT-5 وClaude Opus-4.1، كشفت الدراسة أن أداء هذه النماذج لا يزال يعاني من قيود كبيرة، حيث تم تحقيق أفضل أداء بنسبة 40% فقط. كما تعكس النتائج التحديات الحالية التي تواجه الأنظمة المستقلة، وبالتالي تفتح آفاقًا جديدة للأبحاث المستقبلية.