عند استخدام الذكاء الاصطناعي التوليدي في العمل، يُكرر نمط مُتعب: شخص يواجه قرارًا مهمًا — أي نموذج نُشر، أي بنية مُستخدمة، أي سياسة مُطبقة — يفتح نموذج لغة كبير (LLM)، يُدخل سؤالًا واحدًا، يُلقي نظرة سريعة على الجواب، يُعدّل السؤال مرتين أو ثلاثًا، ثم ينسخ "الحل الأفضل ظاهريًا" إلى وثيقة. بعد ستة أشهر، حين تفشل المُبادرة أو تُعاني من أداء ضعيف، لا توجد سجلات واضحة عن الخيارات التي نُظر فيها، أو مدى عدم اليقين الحقيقي في الفريق، أو لماذا تم اختيار هذا المسار بدلًا من آخر. هناك فقط فقرة سلسة شعرت بالثقة لحظة واحدة. ما ينقص هنا ليس قوة أكبر في الذكاء الاصطناعي، بل عادة التفكير الصريح. في هذا المقال، أقدم نمطًا عمليًا يسمّى "الاستدلال المتعدد البُعد الاحتمالي" (PMR)، ليس نظرية رياضية، ولا خوارزمية، بل نمطًا تفكيريًا مُطبّقًا للبشر عند استخدام النماذج التوليدية. هو طريقة منظمة لاستخلاص عدة سيناريوهات واقعية، وتحديد درجة عدم اليقين، وتحليل العواقب، ثم اتخاذ قرار مُدروس. PMR يُوجّه النموذج من "آلة إجابة" إلى "مُولّد سيناريوهات مُوزّنة". بدلاً من طلب إجابة واحدة، نطلب خيارات متعددة، ونُقدّر احتمالات تقريبية، ونُحلّل التكاليف والمخاطر والفوائد بلغة واضحة. ثم نناقش هذه الأرقام والقصص، نُعدّلها، ونُقرّر فقط بعد ذلك. الأساس الرياضي خفيف: يعتمد على أفكار بايزية (تحديث التقديرات عند وجود أدلة)، وتحليل القرار (مراعاة القيمة المتوقعة، لا مجرد الاحتمال)، وفلسفة التجميع (ensemble) التي تُقدّر قيمة عدة وجهات نظر غير مثالية. لكن PMR لا يتطلب حسابات دقيقة — فقط تفكير منظم. مثال بسيط: عند اختيار نموذج للكشف عن الاحتيال في بنك، قد يُقدّم النموذج احتمالات: نموذج بسيط 60%، نموذج متوسط 75%، ونماذج عميقة 85%. لكن القيمة الحقيقية تظهر حين نسأل: ما التكلفة إذا فشل كل نموذج؟ قد يكون النموذج العميق "أفضل" إحصائيًا، لكن فشله قد يُكلّف الشركة ملايين. فمجرد مقارنة الاحتمالات بالعواقب يُغيّر الترتيب. في فريق بيانات، بدلًا من طلب "ما أفضل نموذج؟"، يُطلب: "اقترح ثلاث استراتيجيات مختلفة، مع تحليل الأداء، التعقيد، المراقبة، وحالات الفشل". ثم يُطلب تقديرات احتمالية ودرجات للمخاطر والتكلفة. لا تكون الأرقام دقيقة، لكنها تُكشف التصورات الخفية، وتُحفّز نقاشًا حقيقيًا. نفس النمط ينطبق على تصميم البنية السحابية: اختيار بين خدمة مُدارة بالكامل، نظام يُدار داخليًا، أو حل هجين. النموذج يُظهر كل خيار مع تكلفة، موثوقية، ومخاطر فشل. الفريق يُعيد تقييم هذه النسب بناءً على خبرته الحقيقية، ويكشف أن "الحل الرخيص لكن الهش" ليس خيارًا عمليًا بسبب تاريخ الفريق مع الأنظمة المُدارة. PMR ليس حكرًا على الذكاء الاصطناعي — يمكن تطبيقه في اختيار أنماط البرمجة، أو صياغة تقارير تنفيذية، أو حتى التفكير في التحديات غير المذكورة. لكنه يتطلب حذرًا من أخطاء شائعة: مثل التمسك بأرقام نموذجية كحقائق، أو استخدام PMR لتبرير قرار مسبق، أو تكرار نفس القصص بسبب "تسرب السياق" من محادثات سابقة. الأهم أن PMR لا يُحلّل القرار، بل يُعزّز التفكير البشري. النموذج يُقدّم الخيارات، البشر يُقررون. القرار الحقيقي لا يُبنى على "أفضل صياغة"، بل على "أفضل تفكير". في النهاية، ليس الذكاء الاصطناعي من يُفكّر، بل نحن. PMR ليس طريقة لجعل الآلة أكثر ذكاءً، بل لجعلنا أكثر وعيًا.