ChatGPT أم نموذج مخصص؟ شجرة قرار بأربعة مسارات

بين اشتراك ChatGPT الشهري وبين تدريب نموذج خاص بشركتك أربعة مسارات لا اثنان، وفارق التكلفة بين أرخصها وأغلاها يتجاوز ثمانين ضعفًا عند حجم الاستخدام نفسه. والمسار الذي يتخيله معظم أصحاب الشركات حين يسمعون «نموذج مخصص»، أي تدريب نموذج على بيانات الشركة، هو في الغالب المسار الخطأ، وقد أصبح منذ مايو 2026 غير متاح أصلًا لمن يبدأ اليوم عند أكبر مزوّد.

يُطرح السؤال عادةً بصيغة «ChatGPT أم نموذج مخصص؟»، لكن الإجابة العملية تبدأ من طبيعة المهمة لا من اسم الأداة. في ما يلي المسارات الأربعة بتكلفة مؤرخة لكل منها، وما تخاطر به في كل اتجاه.

المسارات الأربعة في جدول واحد

ابدأ من حالتك في العمود الأول، واقرأ الصف كاملًا. الأرقام تفصيلها في الأقسام التالية، وكلها بالدولار الأمريكي وحتى سبتمبر 2026.

الصف الأول والثاني يغطيان أغلب الشركات الصغيرة والمتوسطة في مصر والخليج. الصفان الأخيران يحتاجان مبررًا مكتوبًا قبل أن تدخلهما.

سؤال واحد يحسم أغلب القرار: معرفة أم سلوك؟

أكثر نقطة يقع فيها الخلط هي الفرق بين RAG والضبط الدقيق (fine-tuning)، والسبب أن الاسمين يبدوان وكأنهما درجتان من الشيء نفسه. ليسا كذلك.

RAG (التوليد المعزَّز بالاسترجاع) يبحث في مستنداتك وقت السؤال، يلتقط المقاطع المتعلقة به، ويرسلها إلى النموذج ليصوغ الإجابة منها. النموذج لا يتغير؛ ما يتغير هو ما تضعه أمامه. الورقة الأصلية التي عرّفت الأسلوب، بحث Lewis وزملائه في NeurIPS 2020، وصفت ذلك بجمعها بين ذاكرة داخل أوزان النموذج وذاكرة خارجية يمكن الوصول إليها وتحديثها، وخلصت إلى أن نماذج RAG تولّد لغة أكثر تحديدًا ووقائعية من نموذج يعتمد على أوزانه وحدها.

الضبط الدقيق يعدّل أوزان النموذج بأمثلة من عملك. النتيجة نموذج يكتب بطريقتك، لا نموذج يعرف أسعارك.

الفرق العملي يظهر في سؤال بسيط: إذا تغيّر سعر منتج غدًا، أي المسارين يعرف السعر الجديد؟ في RAG تُحدّث المستند فتصبح الإجابة صحيحة في الطلب التالي. في الضبط الدقيق تحتاج جولة تدريب جديدة، ويبقى السعر القديم محفورًا في الأوزان حتى تنتهي منها.

وهذه ليست مسألة تفضيل. دراسة Ovadia وزملائه قارنت الأسلوبين على مهام كثيفة المعرفة في مجالات مختلفة، ووجدت أن RAG يتفوّق باستمرار، سواء في معرفة سبق أن رآها النموذج أثناء تدريبه أو في معرفة جديدة كليًا، وأن النماذج اللغوية «تكافح لتعلّم معلومات واقعية جديدة عبر الضبط الدقيق غير المُشرَف».

أمثلة محددة: أين يفيد كل واحد

يفيد RAG في: مساعد يرد على عملاء متجر من الكتالوج والمخزون الفعليين؛ بحث موظفي شركة توزيع داخل سياسات الأسعار والخصومات؛ عيادة تجيب عن مواعيد الأطباء والتأمينات المقبولة؛ أي حالة تحتاج فيها أن تعرف الإجابة من أين جاءت.

ويفيد الضبط الدقيق في: تحويل فواتير موردين بصيغ مختلفة إلى حقول JSON ثابتة لا تنكسر؛ تصنيف آلاف الرسائل إلى فئات محددة سلفًا؛ الرد بلهجة ونبرة ثابتة لا تنضبط بالتعليمات وحدها مهما أطلتها.

وأشهر طريقة يضيع بها المال هنا واحدة: شركة تجمع مستنداتها الداخلية، تدفع مقابل ضبط دقيق لتعليم النموذج «معلومات الشركة»، ثم تكتشف أن الإجابات ما زالت تختلق تفاصيل، وأن كل تحديث في المستندات يحتاج تدريبًا جديدًا. المطلوب في هذه الحالة كان استرجاعًا، لا تدريبًا.

القاعدة العملية: ابدأ بـ RAG دائمًا. ولا تنتقل إلى الضبط الدقيق إلا بعد أن يثبت التشغيل أن ما ينقصك سلوك لا معلومة.

ما تغيّر في 2026: باب الضبط الدقيق يُغلق عند OpenAI

هذه النقطة وحدها تُسقط نصف المقارنات المنشورة على الإنترنت. تذكر صفحة أسعار OpenAI صراحة أن الشركة «تُنهي تدريجيًا منصة الضبط الدقيق»، وأن المنصة لم تعد متاحة للمستخدمين الجدد. وصفحة الإهمالات الرسمية تضع التواريخ:

الاستدلال على النماذج المضبوطة يستمر حتى يُهمَل النموذج الأساسي الذي بُنيت عليه، فمن عنده نموذج يعمل اليوم لا يتوقف غدًا. لكن المعنى لصاحب شركة يقرأ هذا المقال ويخطط لمشروع جديد واضح: الضبط الدقيق على نماذج OpenAI ليس خيارًا مطروحًا أمامك أصلًا.

يبقى المسار متاحًا عند Google. توثيق Vertex AI يدعم الضبط الخاضع للإشراف على Gemini 3.5 Flash و3.1 Flash-Lite وعائلة 2.5، وليس على أحدث نماذج Flash. وفي التوثيق نفسه بندان يستحقان انتباه أي شركة تفكر في هذا المسار: الضبط الدقيق ليس خدمة مشمولة ومستثنى من ضمان مستوى الخدمة، والتدريب متاح في منطقتي us-central1 وeurope-west4 فقط بينما تُقدَّم خدمة النموذج المضبوط من نقاط أمريكية وأوروبية متعددة المناطق. إن كانت إقامة البيانات شرطًا عندك، فالقرار انتهى هنا.

كم تدفع فعلًا: شركة تعالج 500 سؤال عميل يوميًا

ما يلي مثال افتراضي بفرضيات مكتوبة لتستبدلها بأرقامك، لا عرض سعر. الفرضيات: 500 سؤال يوميًا أي 15,000 شهريًا، وكل سؤال يستهلك 3,000 توكن إدخال (تعليماتك، والمقاطع المسترجَعة، وتاريخ المحادثة) و250 توكن إخراج. المجموع الشهري 45 مليون توكن إدخال و3.75 مليون إخراج، تُحسَب بالأسعار المعلنة على صفحات OpenAI وAnthropic وGoogle.

اطّلعنا على هذه الأسعار في 22 سبتمبر 2026، وهي للمعالجة القياسية والسياق القصير.

ثلاث ملاحظات تغيّر هذا الجدول أكثر مما يغيّره اختيار المزوّد:

الأولى أن بعض هذه الأسعار مؤقت بنص المزوّد. سعر Gemini 3.8 Flash ساري حتى 31 ديسمبر 2026، ثم يتضاعف من 1 يناير 2027، فيقفز الصف نفسه إلى نحو 95.6 دولارًا. إن بنيت على سعر ترويجي، ضع تاريخ انتهائه في تقويمك.

الثانية أن تصميم المطالبة يهبط بالفاتورة أكثر من المفاضلة بين النماذج. إذا كان جزء ثابت من مدخلاتك يتكرر في كل طلب، مثل تعليمات النظام وسياساتك، فالتخزين المؤقت يجعله شبه مجاني؛ تذكر صفحة أسعار Anthropic أن قراءة الكاش تكلّف 10% من سعر الإدخال القياسي. وللمهام التي تحتمل التأجيل، مثل تصنيف رسائل الأمس أو معالجة دفعة فواتير، تعطي واجهة الدفعات خصمًا 50% على الإدخال والإخراج معًا.

الثالثة أن بند التضمين (embeddings) الذي يقلق كثيرين بند صغير. فهرسة كتالوج وسياسات بحجم مليوني توكن بسعر Gemini Embedding 2 البالغ 0.20 دولار لكل مليون توكن تكلّف 0.40 دولار مرة واحدة، وتكلفة تضمين أسئلة الشهر كلها أقل من ربع دولار.

تفصيل فاتورة البوت الكاملة، بما فيها رسائل واتساب التي تُحاسَب بسعر Meta حسب دولة العميل، في كم تكلفة شات بوت الذكاء الاصطناعي؟.

اقتصاد الضبط الدقيق مقلوب عمّا تتوقع

التدريب رخيص. الفاتورة الدائمة هي المكلفة.

على Gemini 3.5 Flash، سعر الضبط الخاضع للإشراف هو 0.01 دولار لكل ألف توكن تدريب، وتوكن التدريب يساوي توكن مجموعة بياناتك مضروبًا في عدد الحِقب. مجموعة من 2,000 مثال بطول 500 توكن، على ثلاث حِقب، تعطي 3 ملايين توكن تدريب، أي 30 دولارًا مرة واحدة.

ثم تبدأ التكلفة الحقيقية. تنصّ الصفحة نفسها على أن نقطة نهاية النموذج المضبوط تُحاسَب بـ1.5 ضعف سعر النموذج الأساسي لعائلة Gemini 3 وما بعدها. بحجم مثالنا، تشغيل Gemini 3.5 Flash الأساسي يكلّف 101.25 دولارًا شهريًا، والمضبوط نحو 151.9، أي فارق يقارب 50.6 دولارًا شهريًا و608 دولارات سنويًا مقابل تدريب دفعت فيه 30 دولارًا.

اقرأ ذلك بالمعنى الصحيح: الضبط الدقيق لا يُرفض لأن تدريبه غالٍ، بل لأنه يفرض علامة سعر دائمة يجب أن يقابلها مكسب دائم. إذا كان المكسب أن نموذجًا أصغر وأرخص صار يؤدي مهمة كانت تحتاج نموذجًا أكبر، فالحساب يميل لصالحك. وإذا كان المكسب «ردود أقرب لأسلوبنا» من غير قياس، فأنت تدفع 608 دولارات سنويًا مقابل انطباع.

أين تذهب بياناتك في كل مسار

يتحدد مصير بياناتك هنا بالواجهة التي تستدعيها وطبقة حسابك أكثر مما يتحدد باسم المزوّد. هذا ما تقوله الوثائق الرسمية، بمراجعة 22 سبتمبر 2026:

وللشركات في مصر والسعودية نقطة عملية نادرًا ما تُذكر: خيارات إقامة البيانات لا تغطي بلدك. جدول المناطق عند OpenAI يضم الولايات المتحدة والاتحاد الأوروبي وأستراليا وكندا واليابان والهند وسنغافورة وكوريا الجنوبية والمملكة المتحدة والإمارات، وليس فيه مصر ولا السعودية. والإمارات وحدها في المنطقة، واختيارها يتطلب موافقة إضافية، كما أن أي منطقة غير أمريكية تشترط الموافقة على ضوابط مراقبة إساءة الاستخدام وتوقيع ملحق احتفاظ معدَّل، مع زيادة 10% على السعر للنماذج الصادرة من 5 مارس 2026. أما الاستدلال الأمريكي الحصري عند Anthropic فيضاعف السعر 1.1 وفق صفحة أسعارها.

عمليًا: الواجهات متاحة في مصر والسعودية والإمارات، لكن المعالجة تحدث خارج بلدك. إن كنت سترسل بيانات شخصية لعملاء، قلّلها إلى الحد الضروري وأزل ما يحدد الهوية قبل الإرسال، وراجع التزاماتك في حماية بيانات العملاء في مصر والسعودية.

متى يستحق النموذج المفتوح المستضاف ذاتيًا؟

حين تحسب الرقم يصبح الجواب أوضح مما يبدو في النقاشات.

بطاقة NVIDIA L40S على خوادم DigitalOcean بسعر 1.57 دولار للساعة (أسعار سارية من 1 أغسطس 2026). تشغيلها شهرًا كاملًا يكلّف 1,130 دولارًا. وبطاقة H100 محجوزة سنة تكلّف 3.26 دولار للساعة، أي 2,347 دولارًا شهريًا. والصفحة نفسها تنبّه إلى بند يغفل عنه كثيرون: إطفاء الخادم لا يوقف الفوترة، والحذف وحده هو ما يوقفها.

قارن ذلك بجدول الـ500 سؤال: من 13.50 إلى 127.50 دولارًا شهريًا عبر الواجهة البرمجية. أي أن الاستضافة الذاتية عند هذا الحجم أغلى بتسعة أضعاف إلى أكثر من ثمانين ضعفًا. نقطة التعادل مقابل Claude Sonnet 5 تقع عند نحو تسعة أمثال الحجم، أي قرابة 4,400 سؤال يوميًا، ومقابل أرخص نموذج لا تصلها عمليًا أبدًا. وهذا قبل أن تحسب أجر من يشغّل الخوادم ويراقبها ويحدّثها.

يبقى مبرران حقيقيان: بيانات يمنع القانون أو العقد خروجها من بيئتك، أو حجم ضخم ومستقر يجعل التكلفة الثابتة أرخص من العدّاد. خارج هذين، الاستضافة الذاتية قرار تدفع ثمنه كل شهر مقابل شعور بالسيطرة.

نفّذ القرار من غير أن تعيده بعد ستة أشهر

ابدأ بأضيق مهمة مؤلمة عندك، لا بمساعد يفعل كل شيء. مهمة واحدة تعرف عدد مرات تكرارها شهريًا وكم تكلّفك اليوم تعطيك مقياسًا للنجاح قبل أن تكتب سطرًا.

قبل الإطلاق، جهّز مجموعة اختبار من أسئلة عملائك الحقيقية مع إجاباتها الصحيحة مكتوبة بيد شخص يعرف الشغل، وقرّر نسبة النجاح التي تعتبرها كافية. ثم افصل مفاتيح الواجهة عن أي كود يصل إليه المستخدم، وامنح النظام صلاحيات قراءة محدودة بالجداول التي يحتاجها فقط، وراقب الاستهلاك بسقف وتنبيه حتى لا تفاجئك الفاتورة.

واحتفظ بقابلية التبديل: اجعل استدعاء النموذج طبقة واحدة في الكود يمكن تغيير مزوّدها من غير إعادة بناء النظام. تواريخ إغلاق منصة الضبط الدقيق التي قرأتها قبل قليل هي بالضبط السبب.

وإذا كان السؤال الأوسع عندك هو النظام كله لا طبقة الذكاء الاصطناعي وحدها، فالمقارنة بين الجاهز والمخصص على مستوى نظام الإدارة موضوع نظام جاهز أم مخصّص لإدارة أعمالك. ولاختيار أول مهمة تؤتمتها، راجع أتمتة العمليات الإدارية، ولمن يبدأ من قناة واتساب تحديدًا شات بوت واتساب لمتجرك. وحين تصل إلى مرحلة التعاقد مع مورّد، فإن الأسئلة التي تكشف جدّيته مجموعة في كيف تختار شريك تطوير حلول الذكاء الاصطناعي.

في سنابل نبني حلول الذكاء الاصطناعي والأتمتة من مقرنا في طلخا بالدقهلية، لعملاء في مصر ودول الخليج. وإذا كنت مترددًا بين مسارين من هذه الأربعة، صِف لنا حالتك ليصلك خلال 24 ساعة تصوّر مبدئي وتقدير للمدة والتكلفة، بلا مقابل ولا التزام.

المصادر

• OpenAI: Pricing وDeprecations وData controls in the OpenAI platform
• Anthropic: Pricing وCommercial Terms of Service
• Google: أسعار Gemini Developer API وVertex AI pricing وGemini API Additional Terms وAbout supervised fine-tuning for Gemini models
• DigitalOcean: GPU Droplets pricing
• Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS 2020
• Ovadia et al., Fine-Tuning or Retrieval? Comparing Knowledge Injection in LLMs, arXiv 2024