وكلاء المتصفح بالذكاء الاصطناعي في ٢٠٢٦: Claude و ChatGPT Work و Gemini

في ٩ يوليو ٢٠٢٦، أطلقت OpenAI عميلاً (agent) يمكنه قضاء ساعات في بناء جداول البيانات، والعروض التقديمية، ولوحات البيانات الداخلية من داخل ChatGPT — وفي اليوم نفسه، أعلنت عن إغلاق متصفح الذكاء الاصطناعي المستقل الذي أطلقته قبل ثمانية أشهر ونصف فقط.^١٢ هذا القرار الواحد يقول عن حالة عملاء متصفحات الذكاء الاصطناعي أكثر من أي قائمة ميزات: ثلاثة من أكبر مختبرات الذكاء الاصطناعي أطلقوا الآن عملاء مشابهين، ولم يستقر أي منهم بعد على الشكل الذي يجب أن يتخذه.

في سطر واحد: بحلول يوليو ٢٠٢٦، تتيح كل من Claude for Chrome من Anthropic، وChatGPT Work الجديدة من OpenAI، وGemini Auto Browse من Google للذكاء الاصطناعي العمل داخل متصفحك — ولكن معيار قياس جديد، OSWorld 2.0، يظهر أن حتى أفضل نموذج أساسي، وهو Claude Opus 4.8، يكمل ٢٠٫٦٪ فقط من المهام الواقعية الطويلة والمتعددة الخطوات.^٣

ملخص

• ما الجديد: أطلقت OpenAI خدمة ChatGPT Work في ٩ يوليو ٢٠٢٦ — وهو عميل يتولى مشاريع طويلة ومتعددة الخطوات تستغرق ساعات — واستخدمت الإعلان نفسه لتأكيد إيقاف متصفح ChatGPT Atlas في ٩ أغسطس ٢٠٢٦، بعد أقل من عشرة أشهر من إطلاقه.^١٢
• موقف المنافسين: يتم طرح Claude for Chrome من Anthropic تدريجياً منذ تجربة شملت ١٬٠٠٠ مستخدم في أغسطس ٢٠٢٥، ووصل إلى جميع خطط Claude المدفوعة في ديسمبر ٢٠٢٥.^٤ أما Gemini Auto Browse من Google فقد كان في مرحلة المعاينة لسطح المكتب منذ يناير ٢٠٢٦، وبدأ فقط في الوصول إلى هواتف Android في نهاية يونيو ٢٠٢٦.^٥٦
• اختبار الواقع: قام معيار أكاديمي جديد تماماً، OSWorld 2.0، باختبار سبع عائلات من النماذج في ١٠٨ مهام واقعية وطويلة المدى لاستخدام الكمبيوتر. وأفضل أداء كان من نصيب Claude Opus 4.8 مع أقصى قدر من التفكير، حيث أكمل ٢٠٫٦٪ فقط منها بالكامل.^٣
• لماذا لا تزال العملاء تفشل: يشير تحليل الأخطاء الخاص بـ OSWorld 2.0 إلى أن العملاء لا يفشلون في النقر على الأزرار أو كتابة الكود، بل يفقدون تتبع القيود، ويتجاهلون المعلومات التي تصل في منتصف المهمة، ويخمنون بدلاً من سؤال المستخدم، ويتجاوزون مرحلة التحقق.^٣
• القاسم المشترك في الأمان: يتفق الموردون الثلاثة على نفس الدفاع الأساسي — يجب على العميل أن يطلب الإذن قبل القيام بأي إجراء حساس (شراء شيء ما، النشر علناً، حذف البيانات) — لأن أحداً منهم لم يحل مشكلة prompt injection بشكل نهائي.^٤

ما ستتعلمه

• ما الذي أطلقته OpenAI هذا الأسبوع، ولماذا تنهي متصفح Atlas الخاص بها لإطلاقه
• الوضع الحالي الفعلي لـ Claude for Chrome وGemini Auto Browse، وليس وضعهم عند الإطلاق
• مقارنة جانبية بين مناهج الموردين الثلاثة
• ما الذي وجده OSWorld 2.0 — وهو معيار صُمم خصيصاً لاختبار ضغط هؤلاء العملاء — في الواقع
• الطرق المحددة التي تفشل بها هذه العملاء، مباشرة من تحليل الأخطاء الخاص بالمعيار
• ماذا يعني هذا إذا كنت تقرر ما إذا كنت ستعتمد أحد هؤلاء العملاء اليوم

ما الذي أطلقته OpenAI هذا الأسبوع — ولماذا يحتضر Atlas

ChatGPT Work هو محاولة OpenAI لتحويل ChatGPT من مجرد نافذة دردشة إلى شيء أقرب إلى زميل عمل. وصف OpenAI الخاص: هو "عميل (agent) في ChatGPT يساعدك على تولي مهام أكثر طموحاً"، حيث يسحب المعلومات من التطبيقات والملفات المتصلة لإنتاج جداول بيانات، وعروض تقديمية، ومستندات، وتطبيقات ويب جاهزة، ويستمر في المشروع لساعات من خلال تقسيمه إلى خطوات أصغر يكملها بشكل مستقل.^١ وهو مدعوم بواسطة GPT-5.6، الذي تم إطلاقه في نفس اليوم.^١٧

عملية الإطلاق تتم على مراحل: على الويب والهاتف المحمول، بدأ Work في ٩ يوليو لحسابات Pro وEnterprise وEdu، بينما ستتبعها حسابات Plus وBusiness "خلال الأيام القليلة القادمة".^١ التغيير الهيكلي الأكبر موجود على سطح المكتب. دمجت OpenAI تطبيق Codex الخاص بها في تطبيق ChatGPT الجديد لسطح المكتب — حيث يتواجد الآن Chat وWork وCodex جنباً إلى جنب، ومتاح في كل الخطط بما في ذلك الخطة المجانية، لأنظمة Mac وWindows.^١ وتم تغيير اسم تطبيق سطح المكتب السابق إلى "ChatGPT Classic".

يوفر تطبيق سطح المكتب هذا أيضاً متصفحاً مدمجاً ووضع "استخدام الكمبيوتر" (Computer Use) الذي يسمح لـ ChatGPT بالنقر والكتابة ونقل الملفات عبر تطبيقات المستخدم ومتصفحه في الخلفية، إما كمهمة لمرة واحدة أو وفقاً لجدول زمني.^١

اعتمدت OpenAI على الانتشار الحالي لـ Codex لتبرير الدمج: حيث يستخدم أكثر من ٥ ملايين شخص Codex أسبوعياً، وتقول OpenAI إن أكثر من مليون منهم يستخدمونه الآن للعمل خارج نطاق تطوير البرمجيات.^١ تصف دراسات الحالة الأولية التي نشرتها OpenAI تزامناً مع الإطلاق استخدام Work لتتبع بيانات CRM في لوحة تحكم تنفيذية أسبوعية في Zapier، وتحويل عمليات فحص الإطلاق الشهرية اليدوية إلى سير عمل قابل للتكرار في RingCentral، وتقليص مشروع تحليل تنافسي من أسابيع إلى ساعات في Virgin Atlantic.^١

نموذج GPT-5.6 الذي يشغل Work صنع خبراً خاصاً به في نفس يوم إطلاقه: فهو النموذج الذي حقق درجة قياسية جديدة في Agents' Last Exam، وهو واحد من أصعب اختبارات قياس أداء العملاء (agent benchmarks) المنشورة حتى الآن — وهو تذكير بأن OpenAI كانت تروج لهذا الإصدار بناءً على قدرات التفكير العميلية (agentic-reasoning) الخام، وليس مجرد ميزة في المنتج.^٧

ثم نأتي إلى الجزء الذي يجعل هذه القصة مختلفة حقاً عن مجرد إطلاق ميزة روتينية: في نفس المنشور، أكدت OpenAI أنها ستقوم بـ "إيقاف متصفح Atlas المستقل" وستقوم بتوجيه المستخدمين للانتقال إلى ChatGPT.^١

أُطلق Atlas — متصفح الذكاء الاصطناعي من OpenAI القائم على Chromium — لنظام macOS في ٢١ أكتوبر ٢٠٢٥، مع وعود بأن إصدارات Windows وiOS وAndroid "ستأتي قريبًا".^٨ لكن تلك المنصات الأخرى لم تصدر أبدًا؛ وظل Atlas مقتصرًا على macOS طوال فترة حياته. ويدرج مركز مساعدة OpenAI الآن تاريخ ٩ أغسطس ٢٠٢٦ كموعد لتوقف Atlas عن العمل تمامًا، مع عدم انتقال بيانات المستخدم — العلامات المرجعية، وسجل التصفح، والتبويبات المفتوحة، وملفات تعريف الارتباط — تلقائيًا إلى أي شيء آخر.^٢ من الإطلاق إلى الإغلاق مرت ٢٩٢ يومًا، أي أقل من عشرة أشهر بقليل.

تتمثل صياغة OpenAI الخاصة في أن Atlas كان نموذجًا أوليًا أكثر من كونه منتجًا: فالقدرة الوكيلية (agentic capability) الجديدة القائمة على المتصفح داخل ChatGPT وCodex بُنيت "على ما تعلمناه من Atlas"، وتم دمجها الآن في واجهة ذات جمهور حالي أكبر بكثير بدلاً من تطبيق مستقل كان على الأشخاص تحميله.^١ وهذا تحول ملحوظ لشركة كانت، قبل تسعة أشهر، تحاول دفع الناس لتغيير متصفحهم الافتراضي.

أين يقف Claude for Chrome وAuto Browse من Gemini في الواقع

بينما خطوة OpenAI جديدة تمامًا، فإن الوكيلين الآخرين للمتصفحات في هذه القصة يتم إطلاقهما ببطء شديد منذ ما يقرب من عام — وهو أمر يستحق معرفته قبل مقارنتهما بشيء أُطلق منذ تسعة أيام. يسبق المشروع التجريبي لشركة Anthropic حتى سلسلة عناوين "استخدام الكمبيوتر" التي غطاها نيرد ليفل تك في وقت سابق من هذا العام، عندما ورد أن نموذجًا من OpenAI تفوق على البشر في مهام استخدام الكمبيوتر في أبريل الماضي.

بدأ Claude for Chrome كمشروع تجريبي حذر حقًا. منشور Anthropic الأصلي بتاريخ ٢٥ أغسطس ٢٠٢٥ يحمل عنوان "تجربة Claude في Chrome"، ويبدأ بـ ١٬٠٠٠ مستخدم من خطة Max في قائمة الانتظار، وليس إطلاقًا عامًا.^٤

كانت Anthropic صريحة بشأن السبب: وجد "الفريق الأحمر" الداخلي عبر ١٢٣ حالة اختبار تغطي ٢٩ سيناريو هجوم أن معدل نجاح هجوم "حقن الأوامر" (prompt-injection) بلغ ٢٣٫٦٪ في "الوضع الذاتي" للإضافة قبل اتخاذ تدابير التخفيف — حيث يمكن للتعليمات الخبيثة المخفية في صفحة ويب أو بريد إلكتروني أن تجعل Claude يتخذ إجراءات لم يطلبها المستخدم أبدًا، بما في ذلك حالة موثقة حيث أدى بريد إلكتروني وهمي حول "تنظيف صندوق البريد" في نسخة أولية إلى حذف رسائل المستخدم الإلكترونية دون تأكيد.^٤ خفضت تدابير السلامة من Anthropic هذا المعدل إلى ١١٫٢٪، وفي مجموعة أضيق من أربعة أنماط هجوم خاصة بالمتصفح (مثل حقول النماذج المخفية في DOM الصفحة)، انخفض المعدل من ٣٥٫٧٪ إلى ٠٪.^٤

توسعت الإضافة لتشمل جميع مشتركي Max في ٢٤ نوفمبر ٢٠٢٥، ثم إلى كل خطط Claude المدفوعة — Pro وTeam وEnterprise — في ١٨ ديسمبر ٢٠٢٥، وهو نفس التحديث الذي أضاف تكامل Claude Code لاختبار تغييرات الكود مباشرة في المتصفح.^٤ وحتى آخر تحديث مؤرخ من Anthropic، لا تزال الإضافة مقتصرة على الخطط المدفوعة؛ ولا يوجد مؤشر على أي توسع إضافي منذ ذلك الحين.

ميزة Auto Browse من Gemini اتبعت نمط طرح تدريجي مشابه، حيث استهدفت أجهزة الكمبيوتر أولاً ولم تصل إلى الهواتف إلا بعد عدة أشهر. قدمت Google ميزة Chrome auto browse في ٢٨ يناير ٢٠٢٦، كنسخة تجريبية لمشتركي Google AI Pro و Ultra في الولايات المتحدة على أنظمة Windows و macOS و Chromebook Plus، وهي مبنية على Gemini 3.^٦ ولم يتم الإعلان عن إصدار Android حتى ١٢ مايو ٢٠٢٦ — والذي كان مبنياً حينها على الإصدار الأحدث Gemini 3.1 — ولم يبدأ الوصول الفعلي للهواتف حتى "نهاية يونيو" ٢٠٢٦ — وحتى حينها، اقتصر الأمر على "أجهزة مختارة" تعمل بنظام Android 12 أو أحدث مع ذاكرة وصول عشوائي (RAM) لا تقل عن ٤ جيجابايت، ومقتصرة على الولايات المتحدة مع ضبط لغة الجهاز على English-US.^٥

منشور الإطلاق الخاص بـ Google يحدد بدقة ما يمكن لـ auto browse القيام به دون إشراف مقابل ما يتطلب تدخلاً بشرياً: الأمثلة العملية التي قدمتها هي حجز مكان لركن السيارة عبر SpotHero باستخدام تفاصيل مستخرجة من تأكيد التذكرة، وتحديث طلب دوري لطعام الحيوانات الأليفة من Chewy — وهي مهام متصفح مملة حقاً ومنخفضة المخاطر.^٥ وتقول Google إن الميزة تحمل نفس دفاعات "حقن الأوامر" (prompt-injection) الموجودة في نسخة الكمبيوتر، ومصممة للتوقف وطلب التأكيد قبل القيام بأي إجراء حساس، مثل عملية شراء أو منشور عام.^٥

أما ميزات Gemini في Chrome الأوسع (غير الوكيلية/non-agentic) فلها انتشار أكبر: حيث توسعت لتشمل كندا ونيوزيلندا والهند مع أكثر من ٥٠ لغة إضافية بدءاً من ١١ مارس ٢٠٢٦، وأصبحت متاحة بشكل أوسع لمستخدمي الكمبيوتر و iOS في تلك المناطق — وتظل قدرة auto-browse تحديداً محصورة لمشتركي AI Pro/Ultra الذين يدفعون رسوماً.^٩

من الجدير بالذكر الإشارة إلى منتج آخر من Anthropic حتى لا يتم الخلط بينه وبين Claude for Chrome: وهو Claude Cowork، الذي أعلنت Anthropic بشكل منفصل عن توسيعه ليشمل الهاتف والويب اعتباراً من ٧ يوليو ٢٠٢٦، وهو واجهة مختلفة تهدف إلى تلخيص العمل عبر الملفات والتطبيقات بدلاً من تشغيل تبويب المتصفح مباشرة — فالاثنان يكملان بعضهما البعض وليسا نفس المنتج.^١٠ وتتبع Google تقسيماً مشابهاً: حيث تعيش ميزة Auto Browse داخل Chrome نفسه، بينما Gemini Spark، وهو مساعد منفصل مستضاف سحابياً وله عنوان Gmail مخصص، يمثل شكلاً مختلفاً من المنتجات — فهو ليس ميزة في المتصفح على الإطلاق.

ثلاث شركات، ثلاثة أشكال: مقارنة جنباً إلى جنب

لم تقم أي من الشركات الثلاث ببناء الشيء نفسه. وعند وضعها جنباً إلى جنب، نجد أن الاختلافات في كيفية وصول كل منها إلى "متصفحك" تهم بقدر أهمية أي نتيجة اختبار أداء (benchmark):

	Claude for Chrome (Anthropic)	ChatGPT Work + Computer Use (OpenAI)	Gemini Auto Browse (Google)
شكل المنتج	إضافة Chrome/Chromium، تعتمد على الشريط الجانبي	مدمج في تطبيق ChatGPT لسطح المكتب (تطبيق Codex سابقاً)؛ تحديث منفصل لإضافة الشريط الجانبي لـ Chrome	مدمج في Chrome نفسه، على سطح المكتب وAndroid
تاريخ الإصدار الأول	معاينة بحثية، ٢٥ أغسطس ٢٠٢٥ (قائمة انتظار لـ ١٬٠٠٠ مستخدم)٤	ChatGPT Work: ٩ يوليو ٢٠٢٦. (المتصفح السابق Atlas: ٢١ أكتوبر ٢٠٢٥، يتم إيقافه حالياً)١٨	معاينة سطح المكتب: ٢٨ يناير ٢٠٢٦. Android: نهاية يونيو ٢٠٢٦٥٦
إمكانية الوصول اليوم	جميع الخطط المدفوعة (Pro, Team, Enterprise) اعتباراً من ١٨ ديسمبر ٢٠٢٥٤	Work: أولاً لمشتركي Pro/Enterprise/Edu، ثم Plus/Business خلال أيام. تطبيق سطح المكتب نفسه (Chat/Work/Codex): لكل الخطط، بما في ذلك المجانية١	Auto browse: لمشتركي AI Pro/Ultra فقط. Gemini الأساسي في Chrome: متاح بشكل أوسع، بما في ذلك الحسابات الشخصية٥
المهام التي تم استعراضها	إدارة التقويم، جدولة الاجتماعات، صياغة ردود البريد الإلكتروني، تقارير المصروفات، اختبار المواقع الإلكترونية٤	إنشاء ملفات sheets/slides/docs/Sites من التطبيقات المتصلة؛ مشاريع مجدولة تستغرق ساعات	حجز مواقف السيارات، تحديث طلب عبر الإنترنت متكرر، أسئلة وأجوبة وتلخيص لصفحات الويب٥
آلية السلامة الأساسية	أذونات على مستوى الموقع؛ تأكيد قبل الإجراءات عالية المخاطر؛ حظر فئات مواقع المال/المحتوى للبالغين/القرصنة؛ نشر أرقام اختبارات الفريق الأحمر (red-team)٤	وصول للمتصفح/الشبكة قابل للضبط من قبل المسؤول؛ "مراجعة تلقائية" باستخدام نموذج للتحقق من الإجراءات الحساسة قبل حدوثها١	مطلوب تأكيد قبل عمليات الشراء أو المنشورات العامة؛ نفس حمايات نسخة سطح المكتب٥
هل تم نشر دفاعات كمية ضد حقن الأوامر (prompt-injection)؟	نعم — انخفاض معدل نجاح الهجوم من ٢٣٫٦٪ ← ١١٫٢٪ (الوضع الذاتي)؛ ومن ٣٥٫٧٪ ← ٠٪ في مجموعة تحديات خاصة بالمتصفح، وتحديداً لإضافة Chrome نفسها٤	نعم، ولكن للنموذج الأساسي وليس لمنتج ChatGPT Work — فشل GPT-5.6 Sol في ٠٫٠٥٪ فقط من المحاولات التي قام بها GPT-Red (المختبر الآلي من OpenAI)، نُشر في ١٥ يوليو، بعد ستة أيام من إطلاق ChatGPT Work١١	لم يُنشر — منشور تفصيلي عن بنية أمان Chrome في ديسمبر ٢٠٢٥ يصف عدة طبقات دفاعية ولكن دون ذكر رقم لمعدل نجاح الهجمات١٢

النمط الملاحظ: اثنان من الموردين الثلاثة وضعا رقماً محدداً وقابلاً للاختبار حول عدد المرات التي تمنع فيها دفاعاتهم الهجوم — على الرغم من أن أرقام Anthropic وOpenAI تقيس أشياء مختلفة (الوضع الذاتي لمنتج معين مقابل مقاومة نموذج لمهاجم آلي داخلي)، لذا فهي ليست قابلة للمقارنة المباشرة ببعضها البعض. أما Google، فعلى الرغم من نشر تفاصيل معمارية حقيقية، لم تضع أي رقم على الإطلاق.

مراجعة الواقع: ما الذي اكتشفه OSWorld 2.0 بالفعل

كل إعلان من الإعلانات المذكورة أعلاه يصف ما يُفترض أن تفعله هذه الوكلاء (agents). وهناك اختبار قياسي (benchmark) نُشر قبل أسابيع قليلة من كل تلك الإعلانات، وهو بمثابة مراجعة مفيدة لما يمكنهم فعله حقاً.

تم بناء OSWorld 2.0، الذي نُشر على arXiv في ٢٨ يونيو ٢٠٢٦ بواسطة نفس مجموعة أبحاث xlang-ai التي تقف وراء اختبار OSWorld الأصلي، خصيصاً لأن الوكلاء كانوا بحاجة إلى اختبار أصعب.^٣ قاس OSWorld الأصلي مهاماً أقصر — وكان متوسطه حوالي ٣٠ استدعاءً للأدوات (tool calls) لإكمال المهمة. ويستبدل OSWorld 2.0 ذلك بـ ١٠٨ سير عمل طويلة المدى تشمل الاستخدام اليومي والمهني للكمبيوتر، كل منها عبارة عن وظيفة واقعية متكاملة تستغرق من الإنسان وسيطاً حوالي ١٫٦ ساعة وتتطلب متوسط ٣١٨ استدعاءً للأدوات لإنهائها (تم قياس ذلك باستخدام Claude Opus 4.7 الذي يعمل بأقصى قدر من التفكير).^٣ وهذا يمثل قفزة تقارب عشرة أضعاف في طول المهمة مقارنة بالإصدار السابق من الاختبار.

تم بناء المهام عمداً لإظهار أنماط فشل محددة تغفل عنها الاختبارات الأقصر: التفاعل المتدفق والبيئات الديناميكية التي تتغير أثناء قيام الوكيل بالمهمة، والاستدلال عبر المصادر في تطبيقات متعددة، واستنتاج الحالة الضمنية (استنتاج شيء لم تذكره المهمة صراحة)، والدقة البصرية المكانية.^٣ كل مهمة تستند إلى ملفات إدخال حقيقية وبيانات ملف تعريف مستخدم واقعية وحافظة للحالة، ويقوم الاختبار بمراجعة الإجراءات الحساسة للأمان بشكل منفصل بدلاً من معاملتها كنوع آخر من المهام.^٣

تم تقييم سبع عائلات من النماذج: Claude Opus 4.8، وClaude Opus 4.7، وClaude Sonnet 4.6، وGPT-5.5، وQwen3.7-Plus، وMiniMax M3، وKimi K2.6.^٣ وبموجب المقياس الأساسي للاختبار — وهو إكمال المهمة بشكل ثنائي (نجاح/فشل) في غضون ٥٠٠ خطوة — تعود أفضل نتيجة إلى Claude Opus 4.8 الذي يعمل بأقصى قدر من التفكير مع استدعاءات أدوات مجمعة: حيث تم إكمال ٢٠٫٦٪ من المهام بالكامل، مع درجة ائتمان جزئي بلغت ٥٤٫٨٪.^٣

أُصدر Claude Opus 4.8 نفسه في ٢٨ مايو ٢٠٢٦، لذا كان هذا هو النموذج الذي يمثل إصدار Anthropic الرائد لمهام استخدام الكمبيوتر في وقت الاختبار.^١٣ ويأتي GPT-5.5 في مرتبة متأخرة كثيراً في مقياس الإكمال — حيث تصف الورقة البحثية النموذج بأنه "أكثر كفاءة في استخدام الرموز (tokens)" من Opus 4.8، ولكن معدل إكماله يتوقف عند حوالي ١٣٪.^٣

هناك ملاحظة تستحق التنبيه: GPT-5.6 Sol، النموذج الذي يشغل ChatGPT Work، أُطلق بعد ١١ يوماً من نشر هذه الورقة ولم يكن أحد النماذج السبعة التي اختبرها المؤلفون. تذكر مواد إطلاق OpenAI الخاصة بـ GPT-5.6 بشكل منفصل نتيجة ٦٢٫٦٪ في "OSWorld 2.0" لنموذج Sol — متفوقاً على نسبة ٥٤٫٨٪ التي ذكروها لـ Opus 4.8 — وتذكر أن هذا النموذج "يتفوق على Opus 4.8" في هذا الاختبار.^٧ تأتي هذه المقارنة من عملية تقييم أجرتها OpenAI نفسها وليس من قائمة المتصدرين التي أدارتها الورقة البحثية بشكل مستقل، والرقم الذي تستشهد به OpenAI لـ Opus 4.8 (٥٤٫٨٪) يطابق درجة الائتمان الجزئي في الورقة، وليس رقم الإكمال الثنائي الأكثر صرامة (٢٠٫٦٪) الذي بدأت به هذه الفقرة — لذا فهي ليست مقارنة متكافئة مع رقم ٢٠٫٦٪. ولكن هذا يعني أن مكانة Opus 4.8 كأعلى نتيجة ليست غير قابلة للطعن بمجرد دخول نموذج أحدث ومقاس بشكل مختلف إلى الصورة.

ببساطة: في اختبار قياسي مبني على مهام كمبيوتر واقعية تستغرق ساعات، فإن أفضل تكوين أداء في المقارنة الرسمية للورقة البحثية لا يزال يترك ما يقرب من أربعة من كل خمس مهام غير مكتملة.

لماذا لا تزال هذه العوامل الذكية تفشل

الجزء الأكثر فائدة في OSWorld 2.0 ليس لوحة الصدارة — بل هو تفسير الورقة البحثية لـ سبب انخفاض هذه الدرجات. يوضح الباحثون أن العائق ليس ما قد تفترضه من اختبار قياسي يسمى "استخدام الكمبيوتر": العوامل الذكية لا تعاني بشكل أساسي من التحكم الأساسي في واجهة المستخدم الرسومية (GUI) أو كتابة كود يعمل.^٣

بدلاً من ذلك، تعزو الورقة الإخفاقات إلى أربعة أنماط متكررة: تفقد العوامل الذكية تتبع القيود في منتصف مهمة طويلة، وتتجاهل المعلومات التي تظهر في منتصف المهمة بدلاً من أن تُقدم لها مسبقاً، وتلجأ للتخمين بدلاً من التوقف لسؤال المستخدم عن قرار، وتتخطى خطوات التحقق التي كانت ستكشف أخطاءها.^٣ وتضيف الورقة أن العوامل الذكية تعاني بشكل خاص عندما تعتمد المهمة على حالة مخفية يجب عليهم استعادتها بأنفسهم — وهو نوع من الأشياء التي قد يتحقق منها الإنسان بمجرد النظر، بينما يجب على العامل الذكي استنتاجها.^٣

يتماشى هذا الوصف مع ما يبنيه الموردون الثلاثة بهدوء حول عواملهم الذكية حالياً: ميزة "Auto-review" من OpenAI، والتي تستخدم تمريرة نموذج منفصلة للتحقق من الإجراءات الحساسة قبل تنفيذها؛ وتأكيدات الإجراءات من Anthropic، التي تفرض توقفاً قبل أي إجراء عالي المخاطر؛ ونفس نمط "التأكيد قبل الشراء" من Google في Auto Browse.^١٤٥ لا تحاول أي من هذه الآليات جعل النموذج الأساسي أكثر ذكاءً في المهام المكونة من ٣٠٠ خطوة — بل هي في الواقع اعتراف بأن العامل الذكي قد يخطئ في التفكير متعدد الخطوات، وأن شبكة الأمان هي نقطة تفتيش بشرية وليست إصلاحاً للتفكير نفسه.

ماذا يعني هذا إذا كنت تقوم بتقييم أحد هذه العوامل الذكية

تلي ذلك بعض الاستنتاجات العملية من وضع إطلاقات هذا الأسبوع بجانب اختبار قياسي صُمم خصيصاً ليكون صعباً بالنسبة لها:

• طابق طول المهمة مع ما تم اختباره فعلياً. أرقام OSWorld 2.0 نفسها هي لمهام يبلغ متوسطها ٣١٨ استدعاءً للأدوات ووقت بشري قدره ١٫٦ ساعة. المهمة التي تستغرق خمس دقائق (حجز مكان ركن سيارات واحد، تلخيص صفحة واحدة) هي حالة استخدام مختلفة تماماً — ومدعومة بشكل أفضل بكثير — من مشروع بحثي أو تقرير يستغرق عدة ساعات، رغم أن عروض الموردين التوضيحية غالباً ما تظهر الاثنين جنباً إلى جنب.
• اسأل بدقة عما يقيسه رقم الأمان الخاص بالمورد. رقم Anthropic البالغ ١١٫٢٪ خاص بإضافة Claude-for-Chrome التي تعمل في الوضع الذاتي. أما أحدث رقم من OpenAI — وهو مقاومة GPT-5.6 Sol لـ ٩٩٫٩٥٪ من محاولات فريق "الريد تيمينج" (red-teamer) الآلي الخاص به — فهو يتعلق بالنموذج الأساسي بشكل عام، وليس بمنتج ChatGPT Work تحديداً، ونُشر بعد أسبوع تقريباً من إطلاق ChatGPT Work نفسه. أما Google فلم تنشر رقماً مماثلاً لمعدل النجاح على الإطلاق. لا يوجد أي من هذه القياسات كقياس موحد، لذا لا تصنف الموردين الثلاثة من خلال وضع النسب المئوية بجانب بعضها البعض.
• "التأكيد قبل الإجراءات الحساسة" هو ما يقوم بمعظم عمل الأمان على مستوى الصناعة حالياً، وليس الحكم على مستوى النموذج. خطط لعملية النشر الخاصة بك بناءً على افتراض أن العامل الذكي سيحاول أحياناً القيام بالشيء الخطأ ويحتاج إلى نقطة تفتيش بشرية لاكتشافه — لأن هذا هو نفس الافتراض الذي يبني عليه كل مورد هنا.

لا تعتبر إطلاق منتج وإغلاقه في نفس اليوم أمرًا غير عادي. فقد استمر Atlas لمدة ٢٩٢ يومًا. في مجال لا تزال فيه النماذج الأساسية بعيدة جدًا عن الموثوقية في المهام الطويلة، توقع أن يقوم المزيد من الموردين بدمج رهاناتهم المستقلة في منتجهم الرئيسي بدلاً من الاستمرار في صيانة تطبيق منفصل.

اختبر على سير عملك الخاص، وليس على العرض التوضيحي للمورد. إن تحقيق درجة ٢٠٫٦٪ كأعلى نتيجة في اختبار قياسي مبني على مهام حقيقية طويلة المدى هو حجة قوية للتجربة على نطاق ضيق — في مهام أقرب إلى النطاق الأقصر لـ OSWorld 1.0 — قبل الوثوق بأي من هذه الوكلاء في شيء يستغرق من الإنسان أكثر من ساعة.

الخلاصة

تقدم ثلاث شركات مختلفة الآن ثلاث إجابات مختلفة على سؤال "كيف يجب أن يكون شكل وكيل AI في متصفحك" — إضافة خفيفة، تطبيق سطح مكتب مدمج به متصفح، وميزة مدمجة في المتصفح نفسه. إن قرار OpenAI بإنهاء رهانها على المتصفح الذي لم يتجاوز عمره تسعة أشهر في نفس الوقت الذي تطلق فيه ChatGPT Work هو أوضح إشارة حتى الآن على أن أيًا من الثلاثة لم يجد الشكل الصحيح والبديهي بعد.

ما تتفق عليه الجهات الثلاث، دون الحاجة إلى تنسيق مسبق، هو أن النموذج نفسه ليس موثوقاً بما يكفي حتى الآن ليعمل دون إشراف — فكل واحدة منهم تطلق نسخة من آلية "توقف واسأل قبل القيام بأي شيء خطر" كآلية أمان فعلية. نسبة ٢٠٫٦٪ التي حققها OSWorld 2.0 كأعلى درجة في المهام الحقيقية طويلة المدى هي الرقم الذي يفسر السبب: هذه الوكلاء (agents) لا يعانون من الضغط على الزر الصحيح، بل يعانون من الحفاظ على تسلسل الأحداث والتركيز على المهمة لفترة كافية لإتمامها.

---

Mengqi Yuan, Zilong Zhou, وآخرون، "OSWorld2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks," arXiv:2606.29537 (نُشر في ٢٨ يونيو ٢٠٢٦). https://arxiv.org/abs/2606.29537 ↩ ↩^٢ ↩^٣ ↩^٤ ↩^٥ ↩^٦ ↩^٧ ↩^٨ ↩^٩ ↩^١٠ ↩^١١ ↩^١٢ ↩^١٣ ↩^١٤

Anthropic, "Piloting Claude in Chrome," مع تحديثات مؤرخة حتى ١٨ ديسمبر ٢٠٢٥. https://claude.com/blog/claude-for-chrome ↩ ↩^٢ ↩^٣ ↩^٤ ↩^٥ ↩^٦ ↩^٧ ↩^٨ ↩^٩ ↩^١٠ ↩^١١ ↩^١٢ ↩^١٣

مايو ٢٠٢٦). https://blog.google/products-and-platforms/products/chrome/bringing-chrome-ai-to-android/ ↩ ↩^٢ ↩^٣ ↩^٤ ↩^٥ ↩^٦ ↩^٧ ↩^٨ ↩^٩ ↩^١٠

Google (Parisa Tabriz, VP Chrome), "The new era of browsing: Putting Gemini to work in Chrome," The Keyword (٢٨ يناير ٢٠٢٦) — التقديم الرسمي لميزة Chrome auto browse في النسخة التجريبية لمشتركي AI Pro/Ultra في الولايات المتحدة على Windows و macOS و Chromebook Plus، والمبنية على Gemini 3. https://blog.google/products-and-platforms/products/chrome/gemini-3-auto-browse/ ↩ ↩^٢ ↩^٣ ↩^٤

OpenAI, "GPT-5.6: Frontier intelligence that scales with your ambition" (٩ يوليو ٢٠٢٦). https://openai.com/index/gpt-5-6/ ↩ ↩^٢ ↩^٣

TechCrunch, "OpenAI launches an AI-powered browser: ChatGPT Atlas" (٢١ أكتوبر ٢٠٢٥). https://techcrunch.com/2025/10/21/openai-launches-an-ai-powered-browser-chatgpt-atlas/ ↩ ↩^٢

Google (Charmaine D'Silva)، "توسيع تجارب الذكاء الاصطناعي في Chrome لتشمل الهند ونيوزيلندا وكندا،" The Keyword (١١ مارس ٢٠٢٦). https://blog.google/products-and-platforms/products/chrome/chrome-expands-india-new-zealand-canada/ ↩

Anthropic، "Claude Cowork قادم إلى الهاتف المحمول والويب" (٧ يوليو ٢٠٢٦). https://claude.com/blog/cowork-web-mobile ↩

OpenAI، "GPT-Red: فتح آفاق التحسين الذاتي من أجل القوة" (١٥ يوليو ٢٠٢٦) — يفشل GPT-5.6 Sol في ٠٫٠٥٪ فقط من عمليات حقن الأوامر المباشرة لـ GPT-Red؛ وهو ما يمثل حالات فشل أقل بـ ٦ مرات في أصعب اختبار لقياس حقن الأوامر المباشرة لدى OpenAI مقارنة بأفضل نموذج إنتاجي لديهم قبل أربعة أشهر. https://openai.com/index/unlocking-self-improvement-gpt-red/ ↩

Google (Nathan Parker، فريق أمن Chrome)، "هندسة الأمن للقدرات الوكيلية في Chrome" (٨ ديسمبر ٢٠٢٥). https://blog.google/security/architecting-security-for-agentic/ ↩

Anthropic، "تقديم Claude Opus 4.8" (٢٨ مايو ٢٠٢٦). https://www.anthropic.com/news/claude-opus-4-8 ↩

Android Authority (Ryan McNeal)، "OpenAI تغلق متصفح ChatGPT Atlas بعد أشهر قليلة من إطلاقه" (٩ يوليو ٢٠٢٦). https://www.androidauthority.com/openai-sunsetting-chatgpt-atlas-3686001/ ↩