كثير من المستخدمين الذين يحاولون استخدام الذكاء الاصطناعي لبناء نماذج تحسين رياضية لمشاكل أعمال حقيقية يواجهون عقبة مماثلة: يعمل النموذج بكفاءة مع الأمثلة النظرية، لكنه يفشل تماماً عند التعامل مع البيانات والمشاكل الحقيقية. هذا الفشل ليس صدفة، بل يعكس الفجوة بين افتراضات أدوات الذكاء الاصطناعي الحالية والواقع المعقد للعمليات التجارية. البحث العلمي في مجال البحوث التشغيلية (OR) أظهر قدرة النماذج اللغوية المتقدمة على كتابة أكواد صحيحة لمعادلات بسيطة ومحددة جيداً، لكن هذه الأدوات تفشل عملياً لأن مشاكل العالم الحقيقي تختلف جذرياً. فالمشكلة غالباً ما تكون غير مكتملة أو غامضة في وصفها الأولي، والبيانات كبيرة جداً لدرجة لا تسمح بوضعها داخل نافذة المحادثة، كما أن البيانات الخام المتاحة للمستخدم (مثل إحداثيات GPS) تختلف تماماً عن البيانات المطلوبة للنموذج (مثل مصفوفة المسافات). بالإضافة إلى ذلك، تحتاج معظم الأدوات الحالية إلى إعادة بناء كاملة عند تغيير البيانات أو المحلل، ولا تنتج أكواداً قابلة للنقل بين مختلف البرامج المحللة. لتحجيم هذه الفجوة، تم تطوير أداة ORPilot، وهي وكيل ذكاء اصطناعي مفتوح المصدر صُمم خصيصاً للتعامل مع تعقيدات التحسين الصناعي. يعتمد نهج ORPilot على مبدأ الاستفسار قبل التنفيذ، حيث يشبه عمل استشاري بشري خبير يبدأ بالأسئلة وجمع المعلومات بدلاً من كتابة الكود فوراً. تعمل الأداة عبر سلسلة من المراحل الخمس المتتابعة: المرحلة الأولى هي "مقابلة العميل"، حيث يطرح الوكيل أسئلة واضحة ومحددة لاستكمال تفاصيل المشكلة وضمان وضوح الهدف والقيود والبيانات المطلوبة قبل البدء بأي نموذج. المرحلة الثانية هي "جمع البيانات"، حيث لا يتم حقن البيانات في النص، بل يحدد الوكيل الملفات المطلوبة ويطلبها من المستخدم بصيغة CSV، مما يتجاوز قيود حجم النافذة ويقلل من احتمالية الخطأ. في المرحلة الثالثة، يقوم "وكيل حساب المعاملات" بكتابة سكريبتات بايثون لتحويل البيانات الخام إلى معلمات جاهزة للنموذج، مثل حساب المسافات أو قيم الثوابت الرياضية المعقدة، بدلاً من انتظار تدخل المستخدم. المرحلة الرابعة هي "توليد الكود"، حيث تنتج الأداة كوداً بايثون لبرامج محللة مختلفة مثل Gurobi وCPLEX وOR-Tools، مع وجود آلية ذكية لإعادة المحاولة تلقائياً عند وجود أخطاء برمجية. أما المرحلة الأخيرة، فهي "مرحلة التقرير"، التي تترجم النتائج الرقمية المعقدة إلى لغة بسيطة يسهل على صناع القرار فهمها وتطبيقها في عملهم. جربت هذه الأداة على مشكلات ضخمة تشمل شبكة توريد بمئات المواقع والآلاف من المنتجات، وتمكنت من إتمام العملية بنجاح من البداية حتى الحصول على الحل الأمثل. الأداة متاحة مجاناً على GitHub وتدعم مزودي نماذج الذكاء الاصطناعي الرئيسيين، وتتميز بقابليتها للتكرار والنقل بين مختلف المنصات. يهدف هذا التطوير إلى جعل التحسين الرياضي متاحاً وفعالاً للشركات دون الحاجة لخبرة برمجية عميقة في كل مرة.