في 2025، واجهت تجربة مخيبة لآمال في عالم المنازل الذكية، حيث فشل جهاز قهوة بوسش مزود بـ Alexa Plus، المساعد الصوتي المدعوم بالذكاء الاصطناعي التوليدي من أمازون، في تنفيذ مهمة بسيطة: إعداد قهوة. رغم التحديثات المعلنة لتحسين التفاعل والذكاء، أصبحت المساعدات الذكية أكثر تكلفاً من كونها مفيدة، حيث تفشل في إنجاز مهام أساسية مثل تشغيل الأضواء أو تنفيذ الروتين اليومي، رغم تحسنها في فهم اللغة الطبيعية. السبب الجوهري يكمن في التحول من نماذج مُحددة مسبقاً (مثل "مطابقة النماذج") إلى نماذج لغوية كبيرة (LLMs) تعتمد على التفسير والاحتمالات. هذه النماذج قادرة على فهم الجمل المعقدة مثل "أريد أن تكون الإضاءة أكثر خفوتاً والهواء أكثر دفئاً"، لكنها تفقد الثبات في المهام البسيطة والمتكررة. فالمساعدات القديمة كانت مصممة للاستجابة لعبارات محددة بـ "مفتاح" محدد، بينما LLMs تُدخل عشوائية (stochasticity) تؤدي إلى تفسيرات متغيرة، حتى عند تكرار نفس الأمر. الخبراء، مثل دهراف جين من جامعة ميشيغان ومارك ريدل من جامعة جورجيا تك، يوضحون أن هذه النماذج لم تُصمم لمهام التحكم الدقيق في الأجهزة، بل لفهم السياق والتفاعل الطبيعي. لذا، عند طلب تشغيل الضوء، لا يكفي أن يُفهم "الضوء"، بل يجب أن يُولَّد استدعاء دقيق للـ API، وهو ما يزيد من فرص الخطأ. كما أن الشركات تُدمج LLMs مع نماذج أبسط (مثل Gemini وGemini Live في جوجل، أو نماذج متعددة في أمازون)، لكن هذا التكامل يخلق تناقضاً في الأداء، ويُضعف الاتساق. الاستراتيجية وراء هذا التحول تكمن في التضحية بالدقة القصوى من أجل إمكانات أوسع: القدرة على تسلسل المهام، والتفكير التفاعلي، وتقديم تجربة "ذكية تلقائية". لكن هذه المكاسب تأتي على حساب الموثوقية في المهام الأساسية. كما يقول ريدل: "لا يمكن الركض قبل أن نتعلم المشي". الشركات تدرك المشكلة، لكنها تفضل التحرك بسرعة، واستخدام المستخدمين كـ "مختبرات حقيقية" في مراحل "الوصول المبكر"، بهدف تحسين النموذج بمرور الوقت. لكن هذا التأخير يُثقل كاهل المستخدمين، ويُضعف الثقة في التكنولوجيا. السؤال الأهم: هل نحن مستعدون لانتظار سنوات من التحسينات، بينما تُهمل مهام بسيطة مثل تشغيل الضوء أو إعداد القهوة؟ حتى لو كانت الذكاء الاصطناعي القابل للتطور يحمل وعداً بالمستقبل، فإن التحدي الحقيقي اليوم هو إعادة بناء الثقة في ما هو متاح الآن.