AI Automation أم Traditional Automation؟ متى تستحق الـModel أن تدخل الـWorkflow؟

جملة “نعملها Automation بالـAI” تبدو حديثة، لكنها أحيانًا تخلط مشكلتين مختلفتين.

في شغل صعب لأن فيه Steps كثيرة. وفي شغل صعب لأن Step أو أكثر محتاجة Interpretation.

الأولى غالبًا تحتاج Traditional Automation. الثانية ممكن تبرر AI Automation.

الفرق مهم لأن Deterministic Software تعطيك Predictability. ما ينفعش نستبدلها بـModel احتمالية إلا لما تضيف Capability القواعد العادية مش قادرة توفرها بشكل اقتصادي.

السؤال مش:

هل AI تقدر تعمل ده؟

السؤال:

فين الـModel تضيف Value كفاية تبرر الـUncertainty والEvaluation والتكلفة والOperational Complexity؟

Traditional Automation مش Automation قديمة

Traditional Automation معناها System تتبع Explicit Logic.

مثلًا:

Lead Submitted → Validate Fields → Create CRM Record → Assign by Territory → Notify Owner → Schedule Follow-up

لو Inputs Structured والRules معروفة، Architecture دي ممتازة.

تقدر تختبر كل Branch، تعرف Failure حصلت فين، وتفهم ليه Action اتنفذت.

APIs وQueues وScheduled Jobs وWorkflow Engines وDatabase Rules وApplication Code كلها Building Blocks مهمة، ومش بتبطل لمجرد وجود LLMs.

AI Automation بتحل نوع مختلف من الـSteps

غير الـInput.

بدل Structured Form، العميل يبعت Message طويلة عن شركته والأنظمة اللي بيستخدمها والمشكلة اللي عايز يحلها.

Fixed Rules مش هتعرف تتعامل كويس إلا بعد تحويل الكلام لـStructured Information.

Model ممكن تستخرج Company Type، Locations، Current Systems، Pain Points، Requested Outcome وTiming Signals.

Workflow تصبح:

Unstructured Message → AI Extraction → Schema Validation → Deterministic Rules → CRM → Human Review عند الحاجة

الـModel كسبت مكان محدد: تحويل Ambiguity إلى Structured Data.

ده مش معناه إنها كسبت التحكم في Workflow كلها.

الحدود أهم من اختيار الـModel

مشاريع AI كثيرة تقضي وقت في اختيار Model أكثر من تحديد Boundary بتاعتها.

في كل Step اسأل:

1. Input Structured ولا Unstructured؟
2. القرار ممكن يتحول Reliable Rules؟
3. Step تحتاج Interpretation أوJudgment؟
4. تكلفة الخطأ إيه؟
5. Output ممكن تتعمل لها Validation قبل Action التالية؟

غالبًا هتوصل لـMixed Architecture بدل “AI Workflow” بالكامل، وده شيء جيد.

استخدم Rules لما الـRule موجودة أصلًا

لو Policy عندك بتقول Order فوق Limit تحتاج Approval، Customer لازم Verified، Field لازم Schema محددة، User ممنوع يشوف Tenant ثانية، أوRefund لها Maximum واضح — طبق ده في Software.

ما تطلبش من Model تعيد اكتشاف Rule الـBusiness عارفها بالفعل.

Prompt تقول “ما تعملش Refund فوق Limit” مش بديل لـApplication-level Authorization.

Model تقترح. System تفرض.

استخدم AI لما Rules تتحول لمحاولة مكلفة لتقليد الفهم

Traditional Automation تبدأ تبقى Awkward لما Engineers يكتبوا مئات Conditions هشة علشان يقلدوا Language Understanding.

مثل:

• Classification لـFree-form Customer Intent.
• Extraction من Documents بتصميمات مختلفة.
• Summarization لمحادثات طويلة.
• Matching سؤال مع Relevant Knowledge.
• تفسير Multilingual Messages.
• تحويل Natural-language Request إلى Proposed Structured Action.

هنا AI تبدأ تستحق مكانها، بشرط Evaluation وValidation.

خلي Output Typed قدر الإمكان

في Business Automation، Useful Model Output غالبًا تكون Data أكثر من Chatbot Prose.

مثل:

intent: sales_enquiry
company_type: logistics
markets: [Saudi Arabia, UAE]
current_tools: [WhatsApp, spreadsheets, CRM]
requested_outcome: integrate lead workflow
confidence: needs_review

Schema تختلف حسب Application، لكن الفكرة إن الجزء التالي من System ما يضطرش يخمن Model كانت تقصد إيه.

اعمل Validation للRequired Fields والTypes والAllowed Values والPermissions قبل ما تكمل.

Confidence مش Authorization

Model ممكن تكون Confident جدًا وغلط.

ما تبنيش Critical Action على “confidence > 0.9 إذن نفذ”.

Confidence ممكن تساعد Routing، لكن Authorization تأتي من Business Rules وIdentity.

في High-risk Workflow استخدم:

AI Interpretation → Validation → Policy Check → Human Approval → Action

وفي Low-risk Reversible Workflow ممكن Human Step ما تكونش لازمة.

Autonomy تتحدد حسب Risk، مش الحماس للAgents.

3 مستويات للAutomation

1. Deterministic Automation

Known Input، Known Rule، Known Action.

مثال: توزيع Verified Lead حسب Territory.

2. AI-assisted Automation

AI تفسر أوتحضر، وSoftware أوHuman يتحكم في Action.

مثال: استخراج Requirements من Email ثم إنشاء Draft CRM Record للمراجعة.

3. Controlled Agentic Automation

AI تختار بين Approved Tools وActions حسب Context، بينما Application تفرض Permissions وBudgets وValidation.

مثال: Agent تفحص CRM Context وتبحث في Approved Knowledge وتحضر أوتنفذ Allowed Follow-up Action.

ما تقفزش للمستوى الثالث لو الأول أوالثاني يحل المشكلة.

مثال: Invoice Processing

Traditional Automation تتولى File Arrival، Storage، Duplicate Detection، Required-field Validation، Approval Routing وERP Write-back.

AI تساعد في قراءة Layouts مختلفة، استخراج Vendor/Items/Totals وتصنيف Descriptions الغامضة.

Accounting Policy وPayment Authorization تفضل Deterministic.

AI تتولى Interpretation، وSoftware تتولى Control.

مثال: Customer Service

Traditional Automation تحدد Authenticated Customer، تجيب Account State، تفرض Permissions، تنشئ Ticket وتعمل Routing للEscalation.

AI تفسر Message، تبحث في Knowledge، تلخص Context وتقترح Response.

لو Customer طلب Action، Application تحدد هل مسموحة وهل تحتاج Approval.

Architecture الأقوى Layered.

مثال: Sales Qualification

Traditional Rules تتحقق من Contact Information، توزع حسب Region، تنشئ Required CRM Fields وتبلغ Owner.

AI تقرأ Unstructured Enquiry وتستخرج Business Need وUrgency وMissing Information.

Agent ممكن لاحقًا تسأل Follow-up Questions، لكن عبر Defined Tools وPermissions.

Model تتعامل مع Ambiguity. Business System تتعامل مع Truth وControl.

إمتى AI Automation تخلي System أسوأ؟

لما Rule واضحة أصلًا، Exact Repeatability مطلوبة، Task قليلة القيمة، الخطأ مكلف ومش قابل للاحتواء، مفيش Evaluation، Source Data غير موثوقة، أوAPI Integration بسيطة تحل Bottleneck.

هنا AI ممكن تضيف Latency وCost وصعوبة Debugging بدون Capability مفيدة.

قارن الـModel بالDeterministic Baseline

ما تقيّمش AI Workflow في فراغ.

قارنها بأفضل Simpler Alternative.

اسأل: Rules تحل كام من Tasks؟ أنهي Cases تحتاج Human Interpretation؟ الوقت ده يكلف كام؟ أنهي Errors أهم؟ Cost per Successful Task كام؟ AI تحتاج Human Correction قد إيه؟ وهل Total Cycle Time انخفضت؟

لو Traditional Automation تحل معظم Workflow بثبات وتكلفة قليلة، ممكن الجزء الاستثنائي يفضل Human بدل Agent Architecture معقدة.

اعمل Deterministic Fallback لو ممكن

Providers ممكن تقع، Models تتغير، Response تكسر Schema، وRetrieval ترجع Context ضعيفة.

Production Workflow تحتاج Failure Path: Retry بLimits، Human Review، Keyword Search Fallback، Queue للمعالجة لاحقًا، أوتكملة الجزء Deterministic فقط.

“Model Failed” ما ينفعش تلقائيًا تعني “Business Process Stopped”.

Model Choice تأتي بعد Task Definition

قبل نقاش أنهي LLM، حدد Input، Expected Output، Evaluation Dataset، Latency، Privacy Boundary، Failure Tolerance، Volume وCost Target.

بعدها اختبر Models على Task الفعلية.

Smaller Model تنجح باستمرار في استخراج 6 Fields ممكن تكون أفضل من Model أقوى بتكلفة وLatency أعلى.

استخدم Smallest Adequate Component، مش أكثر واحدة مبهرة.

Architecture لازم تعيش لو غيرت الـModel

Healthy AI Automation تعامل Model كReplaceable Dependency قدر الإمكان.

Business Rules وPermissions وSource-of-truth Integrations وSchemas وAudit Trail ما تختفيش لأن Provider اتغير.

ده يسهل تقييم Hosted أوLocal Models مستقبلًا بدون إعادة تصميم Product كلها.

تمرين عملي لتصميم Workflow

خذ Process واحدة واكتب كل Step في Table بأربع Columns:

Step | Input | Decision | Action

وبعدين صنف Decision:

• Rule — Explicit وDeterministic.
• Lookup — الإجابة في Source of Truth.
• Interpretation — Input Unstructured أوAmbiguous.
• Approval — تحتاج Authorized Human/Business Decision.

بعدها Mapping تصبح واضحة:

• Rule → Application Code/Workflow Engine.
• Lookup → API/Database.
• Interpretation → Candidate للAI.
• Approval → Authorized Human أوDeterministic Policy.

بعد الـMapping فقط قرر LLM أوAgent مكانها فين.

إمتى الـModel تستحق مكانها؟

لما Step فيها Ambiguity حقيقية أوUnstructured Information، Traditional Rules غير كافية أومكلفة في Maintenance، Output قابلة للEvaluation، Failure قابلة للاكتشاف أوالاحتواء أوEscalation، Business Value أكبر من Operating Cost، والModel مش مستخدمة كSecurity Boundary أوSource of Operational Truth.

ده Standard أقوى كثيرًا من “Demo اشتغلت”.

ابنِ أصغر Intelligent Layer

أفضل AI Automation Architecture غالبًا تكون Boring جدًا حول الـModel:

Input → AI where needed → Validation → Rules → APIs → Database → Audit → Human when needed

وده Feature مش Limitation.

Reliable Software لازم تفضل Reliable. AI تدخل بالضبط في المكان اللي Interpretation فيه تعمل Value.

محتاج تحدد أنهي أجزاء من Workflow تستخدم AI وأنهي أجزاء تفضل Deterministic؟

أساعد الشركات ترسم Process، تحدد Uncertainty الحقيقية، تصمم Control Boundaries وتبني Production AI Automation بدون استبدال Software الموثوقة بدون داعٍ.

---

مرتبط: AI Automation، متى لا تحتاج شركتك إلى AI، AI ROI، AI Agents vs Chatbots، AI Integration وBuy vs Build AI.