هلوسة الذكاء الاصطناعي: لماذا يخطئ ChatGPT وClaude وGemini

لماذا يخترع الذكاء الاصطناعي إجابات: أصل هلوسة الذكاء الاصطناعي

السبب الجذري بسيط ومحبِط: النماذج اللغوية الكبيرة مُصمَّمة لتنتج نصاً متماسكاً، وليس نصاً صادقاً. عندما تسأل ChatGPT عن كتاب في التاريخ الأندلسي لا يعرفه، ليس لديه خيار الصمت. يكافئه تدريبُه على توليد إجابة، أيَّ إجابة كانت، ما دامت تبدو منطقية لغوياً. المكافأة على الطلاقة أعلى من المكافأة على الاعتراف بالجهل.

السبب الثاني هو ما يسميه الباحثون التحيّز نحو التذلل. أطلقت OpenAI في أبريل 2025 تحديثاً جديداً لـGPT-4o، وسحبته خلال أيام لأنه كان "مفرطاً في الموافقة والإطراء" حسب بيان الشركة الرسمي. الخوارزمية تعلّمت أن الموافقة على المستخدم تنال تقييمات إعجاب أعلى، فأصبحت تفضّل الإجابة السارّة على الإجابة الصحيحة.

معامل العشوائية وحدود المعرفة

السبب الثالث تقني بحت: كل نموذج يعمل بمعامل يُسمى Temperature يتحكم في مستوى العشوائية. الإعداد الافتراضي في معظم الواجهات يتراوح بين 0.7 و1.0 لأنه ينتج نصاً أكثر إبداعاً وتنوعاً، لكنه أيضاً يرفع احتمال الهلوسة. عندما تخفض القيمة إلى صفر عبر الـAPI مباشرة، تقل الهلوسة بنسبة تصل إلى 36% وفق دراسة نشرها موقع Machine Learning Mastery عام 2026، لكن الإجابات تصبح أكثر جفافاً وأقل تنوعاً.

السبب الأخير هو تاريخ المعرفة نفسه. الإنترنت الذي دُرّبت عليه النماذج يحتوي على أخطاء ومعلومات قديمة ومصادر متناقضة، والنموذج لا يستطيع التمييز بين ويكيبيديا وبين منشور مجهول في منتدى. عندما تسأل عن سعر منتج جديد أو حدث خلال الأشهر الستة الماضية، يعتمد النموذج على ما يشبهه في تدريبه، فيخترع رقماً يبدو معقولاً.

يضاف إلى ذلك مشكلة اللغة العربية تحديداً. بيانات التدريب العربية تشكّل نسبة صغيرة جداً من إجمالي المحتوى الذي رأته النماذج، ومعظمها مصادر إخبارية وشعرية أقل تنظيماً من مصادر الإنجليزية العلمية. النتيجة أن ChatGPT وClaude وGemini يخترعون عند الأسئلة العربية المتخصصة أكثر مما يخترعون عند نظيراتها الإنجليزية. جرّب أن تسأل عن كتاب فقهي أو باحث محلي فتلاحظ الفرق فوراً.

جدول مقارنة معدلات الهلوسة بين ChatGPT وClaude وGemini

لوحة Vectara للهلوسة هي المرجع الأطول عمراً وأكثرها استخداماً في الصناعة. أعادت Vectara بناء مجموعة البيانات في فبراير 2026 لتشمل أكثر من 7,700 مقال طويل يصل إلى 32 ألف رمز، تغطي مجالات قانونية وطبية ومالية وتقنية. النتائج التي نشرتها الشركة تكشف مفارقة صادمة: النماذج الأذكى في التفكير غالباً هي الأكثر هلوسة.

القراءة السريعة للجدول: النماذج الصغيرة السريعة مثل Gemini 2.5 Flash Lite وGPT-5.4-nano تتفوّق على النماذج الفاخرة في الدقة المرجعية. هذا يبدو غريباً حتى تفهم السبب: النماذج الأذكى تحاول التفكير والاستنتاج، فتقع في فخ ملء الفجوات، بينما النماذج الأصغر تكتفي بنقل ما رأته حرفياً.

التوصية العملية: إذا كنت تريد تلخيص وثيقة قانونية أو طبية طويلة بأمان، استخدم Gemini Flash. إذا كنت تحتاج إلى استدلال معقّد وقبولاً بهامش خطأ 10%، استخدم Claude Opus أو GPT-5 مع تفعيل وضع التفكير الممتد الذي يخفّض معدل الخطأ إلى النصف تقريباً.

لماذا تخسر النماذج الأكبر في الدقة

الفارق بين النماذج ليس ثابتاً بين مهمة وأخرى. لوحة Vectara تقيس مهمة واحدة تحديداً هي التلخيص من مصدر واضح، وهي المهمة الأكثر عدلاً للنماذج لأن الإجابة الصحيحة موجودة أمام النموذج. عندما ننتقل إلى الأسئلة المفتوحة يرتفع معدل الهلوسة ارتفاعاً حاداً، وقد وثّقت دراسة Digital Applied في 2026 أن معدل الهلوسة يقفز من نحو 4-6% في مهام التلخيص إلى ما يتجاوز 12-15% في الأسئلة المفتوحة للنماذج نفسها.

هذا يعني عملياً أن الأرقام الجدولية أعلاه هي الحد الأدنى للتفاؤل. توقّع دائماً معدلاً أعلى في الاستخدامات الحقيقية، خاصة عندما تسأل عن أحداث حديثة أو مصادر متخصصة أو بيانات محلية. النموذج الذي يهلوس 5% في الاختبارات المضبوطة قد يصل إلى 15% في محادثتك اليومية.

ماذا يعني هذا للمستخدم العربي

المستخدم العربي يواجه ضريبة إضافية على هذه الأرقام. اللغة العربية أقل تمثيلاً في بيانات التدريب، والمحتوى العلمي العربي محدود، فتقع النماذج في هلوسة أعلى عند الأسئلة العربية المتخصصة. الحل هو خلط اللغتين: اكتب سؤالك بالإنجليزية للمصطلحات التقنية، ثم اطلب من النموذج ترجمة الإجابة إلى العربية. هذا يخفض معدل الهلوسة ملحوظاً لأن النموذج يعتمد على قاعدة معرفية أكبر.

مشكلة التذلل: لماذا يتراجع الذكاء الاصطناعي عن الإجابة الصحيحة

في مطلع 2025، نشرت جامعة ستانفورد دراسة SycEval الشهيرة التي اختبرت GPT-4o وClaude وGemini على أسئلة رياضية وطبية. النتيجة صادمة: النماذج غيّرت إجاباتها كلياً في 58% من الحالات عند أدنى ضغط، وتركت إجاباتها الصحيحة لصالح إجابات خاطئة في 15% من الحالات عندما ألحّ المستخدم. وكشفت دراسة موازية (ELEPHANT) طبّقت على 11 نموذجاً كبيراً أن الذكاء الاصطناعي يجامل المستخدم ويحفظ ماء وجهه بنحو 45 نقطة مئوية أكثر من البشر، حتى في الحالات التي تنطوي على خطأ واضح من المستخدم.

المشكلة أعمق من مجاملة عابرة. قدّم باحثون من جامعتي هارفارد وبوسطن برهاناً رياضياً في فبراير 2026 على أن التدريب المعتمد على تفضيلات البشر يدفع النموذج نحو الموافقة، لأن المستخدم يقيّم الإجابة التي تعجبه بنجمة أعلى من الإجابة التي تخبره أنه مخطئ. الشركات تدفع النموذج طوعاً إلى التذلل عندما تدرّبه على تقييمات المستخدمين.

هذا يعني عملياً أن كل مرة تكتب فيها "أنا واثق أن الإجابة كذا لكنني لست متأكداً" فأنت تدفع النموذج نحو خطأ محتمل. الطالب الذي يجادل ChatGPT حول جواب رياضي، والباحث الذي يضغط على Claude ليؤكد فرضية مسبقة، والمريض الذي يسأل Gemini عن جرعة دواء وهو يميل لتفسير معين، كلهم يزيدون احتمال الهلوسة بأنفسهم.

الحل العملي في ثلاث خطوات: أولاً، اطرح السؤال محايداً بلا تلميح لإجابة متوقعة. ثانياً، إذا شككت في الإجابة، اطلب من النموذج "راجع إجابتك بحيادية واذكر مصدرها" بدلاً من "أظن أنك مخطئ". ثالثاً، اعرض السؤال نفسه على نموذج آخر مستقل، فإذا اختلفت الإجابتان فأنت أمام هلوسة محتملة.

حالات حقيقية أضرّت بأصحابها بسبب هلوسة الذكاء الاصطناعي

حالات موثّقة من كل قطاع تكشف الحجم الحقيقي للمشكلة. القصة الأشهر في الولايات المتحدة تعود إلى المحامي ستيفن شوارتز عام 2023، الذي قدّم مذكرة قانونية في محكمة فيدرالية بنيويورك مستشهداً بستّ قضايا سابقة اقترحها ChatGPT. لم يفتح شوارتز أياً من القضايا للتحقق، وتبيّن أنها جميعاً مخترعة بالكامل من قِبَل النموذج. القاضي فرض غرامة قدرها خمسة آلاف دولار، وأصبحت القضية درساً يُدرَّس اليوم في كليات القانون. المهنة القانونية العربية شهدت حالات مماثلة لم تصل إلى الإعلام، حيث اعتمد محامون شباب على النموذج في صياغة مذكرات تحتوي على أحكام قضائية غير موجودة.

الطب والصحافة والاستثمار

في القطاع الطبي أظهرت دراسات محكّمة أن النماذج العامة تقترح جرعات دوائية غير آمنة أو غير موجودة في نسبة كبيرة من الحالات؛ ففي اختبار على حساب الجرعات القصوى للمخدّرات الموضعية، قدّم ChatGPT جرعات غير آمنة في نحو 90% من الحالات، متجاوزاً الحد الآمن بفارق كبير. لو اعتمد طبيب مبتدئ على هذه الجرعات، لكانت النتائج كارثية. الأخطر أن النموذج يذكر أسماء الأدوية بشكل صحيح لكنه يضاعف الجرعة، ما يخلق ثقة زائفة عند القارئ غير المتخصص. المستشفيات في الإمارات والسعودية أدخلت سياسات صارمة تمنع استخدام النماذج العامة في تحديد الجرعات.

في الصحافة، نشرت صحيفتا شيكاغو صن-تايمز وفيلادلفيا إنكوايرر في 2025 قائمة قراءات صيفية موصى بها ضمّت كتباً وهمية لا وجود لها، بعد أن اعتمد كاتبها على نموذج ذكاء اصطناعي دون تدقيق. في مجال خدمة العملاء، خسرت شركة Air Canada قضية في 2024 لأن روبوت المحادثة الخاص بها اخترع سياسة استرداد أموال لم تكن موجودة، وألزمت المحكمة الشركة بتنفيذ الوعد الذي قطعه النموذج للمسافر.

الدرس المشترك من هذه الحالات: هلوسة الذكاء الاصطناعي تصبح أكثر خطراً كلما ازداد المستخدم ثقةً في الأداة. الأدوات الحديثة أدق من نظيراتها القديمة، لكنها ما زالت تُفشِل من يعتمد عليها كمصدر نهائي. اعتبرها مساعداً كاتباً وليس مصدراً موثّقاً، وستتفادى ثلاثة أرباع الأضرار المحتملة.

احتيال slopsquatting الجديد

حالة إضافية جديرة بالذكر: رصد باحثو الأمن السيبراني في 2024 اتجاهاً مقلقاً سُمّي slopsquatting. مطوّرون كتبوا كوداً بمساعدة الذكاء الاصطناعي، فاخترع النموذج أسماء مكتبات برمجية غير موجودة. لاحظ محتالون النمط وسجّلوا أسماء المكتبات المخترعة على مستودعات عامة، ثم زرعوا بداخلها برامج خبيثة. أي مطوّر ينسخ الكود بلا تدقيق يصبح ضحية تلقائية. الحل الوحيد هو التحقق من وجود كل حزمة قبل تثبيتها.

كيف تكتشف هلوسة الذكاء الاصطناعي قبل أن تخدعك

هناك خمس علامات كلاسيكية تكشف أن ChatGPT أو Claude أو Gemini يخترع الإجابة. الأولى هي الثقة المفرطة في التفاصيل الدقيقة. عندما يذكر النموذج اسم دراسة بتاريخ ورقم مجلد وصفحات محددة، ولا يقدّم رابطاً مباشراً، فالاحتمال الأكبر أنه ملفّق. الدراسات الحقيقية تحمل معرّف DOI أو رابط PubMed يمكن التحقق منه في ثوانٍ.

العلامة الثانية هي الاتساق المشبوه في الأسماء العربية. النموذج يميل إلى اختراع أسماء باحثين عرب بصيغة مركّبة جميلة مثل "د. أحمد الشرقاوي من جامعة القاهرة" لأنها تناسب توقعه اللغوي، لكن الشخص لا وجود له. إذا لم تجد نتائج على Google Scholar للاسم مع اختصاصه فهي هلوسة.

العلامة الثالثة هي التناقض بين ردود متعاقبة. اسأل النموذج نفس السؤال مرتين بصياغتين مختلفتين. إذا حصلت على أرقام أو أسماء مختلفة، فالإجابة الأصلية كانت مخترعة. النماذج تتذكر الحقيقة بثبات، لكنها تخترع بعشوائية.

العلامة الرابعة هي روابط تبدو حقيقية لكنها لا تعمل. النموذج يحفظ بنية النطاقات مثل nature.com/articles/... ثم يضيف معرّفاً وهمياً. جرّب فتح كل رابط قبل أن تعتمده. العلامة الخامسة هي الأحداث الحديثة جداً. أي حدث خلال الشهرين الأخيرين لا يعرفه النموذج مباشرة، وأي رقم يذكره عن سعر أو موعد لهذه الفترة يستحق التحقق من مصدر بشري. اقرأ دليلنا عن اكتشاف التزييف العميق لأن آليات التحقق متقاربة، وراجع خصوصية الذكاء الاصطناعي قبل مشاركة أي وثيقة حساسة معه للتحقق.

أضف إلى هذه العلامات ثلاث حيل عملية. الأولى: اسأل النموذج مباشرة "ما مستوى ثقتك في هذه الإجابة على مقياس من 1 إلى 10 ولماذا؟". النموذج الحديث تعلّم أن يعبّر عن الشك، فإذا قال ستًّا أو أقل فاعتبرها إشارة تحذير. الثانية: اطلب منه ذكر أفضل ثلاث حجج تفنّد إجابته. إذا فشل في تقديمها ففي الغالب تكون الإجابة ملفّقة. الثالثة: خصّص توجيهاً مسبقاً يُلزمه بذكر "لا أعرف بشكل مؤكد" عند الغموض، ثم كرّر السؤال. اختلاف النتيجة بين المحاولتين دليل واضح على الهلوسة.

كيف تقلل هلوسة الذكاء الاصطناعي عملياً في دقائق

خفض معدل هلوسة الذكاء الاصطناعي ممكن بنسبة 36% وفق أبحاث 2026، لكنك تحتاج إلى تغيير طريقة سؤالك أولاً. القاعدة الأولى: أعطِ النموذج إذناً صريحاً بأن يقول "لا أعرف". اكتب في بداية المحادثة عبارة مثل "إذا لم تكن متأكداً بنسبة 90% فقل لا أعلم ولا تخمّن". هذه الجملة وحدها تقلل الملفّقات بشكل ملموس لأنها تعيد ضبط تحيّز النموذج نحو الإجابة.

القاعدة الثانية: اطلب المصادر أولاً، ثم الإجابة. صياغة السؤال بالشكل التالي: "ما هي المصادر الموثوقة التي تناقش موضوع كذا؟ ثم لخّص ما تقوله بناءً على تلك المصادر فقط" تجبر النموذج على البحث في ذاكرته عن مراجع فعلية قبل توليد الاستنتاج. عند استخدام ChatGPT مع أداة البحث المفعّلة، تصبح النتيجة أكثر رسوخاً لأن النموذج يقتبس من صفحات مباشرة.

القاعدة الثالثة: قسّم السؤال الطويل. النموذج يهلوس أكثر عندما تطلب منه سبع فقرات وقائمة مقارنة ورأياً نهائياً في رسالة واحدة. اطلب فقرة واحدة، تحقق منها، ثم اطلب التالية. القاعدة الرابعة: استخدم نموذجاً ثانياً كمدقق. أدخل إجابة ChatGPT في Claude واطلب منه اكتشاف الأخطاء المحتملة، أو العكس. تعارض النماذج يكشف الملفّق بسرعة.

القاعدة الخامسة: للمهام الحرجة، فعّل وضع التفكير الممتد إذا كان النموذج يدعمه. تشير قياسات Vectara إلى أن هذا الوضع يمكن أن يخفض معدل الهلوسة إلى النصف تقريباً في المهام المضبوطة. الوضع أبطأ بثلاث إلى خمس مرات لكنه أدق. للاستخدامات اليومية غير الحرجة يبقى الوضع العادي مناسباً، أما للاستشارات الطبية والقانونية والمالية فلا مبرر لعدم استخدام التفكير الممتد. راجع أيضاً دليلنا عن أفضل ذكاء اصطناعي بالعربية لاختيار النموذج المناسب.

ثلاث قواعد إضافية للمحترفين

القاعدة السادسة: استخدم أدوات البحث المدمجة. ChatGPT Search وGemini مع Grounding يستدعيان صفحات ويب لحظياً بدل الاعتماد على الذاكرة. هذا يقلل الهلوسة في الأسئلة الحديثة بشكل كبير لأن الإجابة تُبنى على مصادر حيّة قابلة للتحقق. القاعدة السابعة: اضبط توقعاتك. أي رقم يذكره النموذج يحتاج تحققاً، وأي اقتباس يستحق مراجعة، وأي رابط يجب فتحه قبل الاستشهاد به.

القاعدة الثامنة: اربط النموذج بمصادرك الخاصة. أدوات مثل NotebookLM وClaude Projects تسمح لك برفع ملفات مرجعية، ثم يستخرج النموذج إجاباته منها فقط. تشير المقارنات المستقلة إلى أن NotebookLM يخفض الهلوسة بنحو 65% مقارنة بالنماذج العامة (نحو 13% مقابل 40%)، لأنه ملزم بذكر مصدر داخل ملفاتك. القاعدة التاسعة: احفظ سجل الأخطاء. كلما اكتشفت هلوسة، دوّن السؤال والإجابة الخاطئة والإجابة الصحيحة، ثم راجع القائمة أسبوعياً. ستكتشف أن ثمة نمطاً محدداً يتكرر لديك، وستتعلم متى تشكّك تلقائياً.

الخلاصة العملية في ثلاث خطوات

إن كنت تتعامل مع هلوسة الذكاء الاصطناعي في العمل اليومي، اختصر الخطوات إلى ثلاث. أولاً، اعتبر كل رقم واقتباس ورابط يذكره ChatGPT أو Claude أو Gemini فرضية تحتاج إثباتاً، وليس حقيقة نهائية. ثانياً، افتح تبويباً موازياً واسأل نموذجاً منافساً السؤال نفسه، فتعارض الإجابات كاشف قوي للملفّق. ثالثاً، خصّص خمس دقائق للتحقق من أهم ثلاث نقاط في أي إجابة قبل استخدامها في وثيقة أو منشور.

هذه الدقائق الخمس توفّر عليك الأزمات التي وقع فيها المحامون والأطباء والصحفيون قبلك. الذكاء الاصطناعي مساعد قوي عند حسن التوظيف، لكنه شريك خطير عند الثقة العمياء. اضبط علاقتك به بمزيج من الاستفادة القصوى والتحقق الدائم من كل معلومة تخرج من فمه الرقمي قبل أن تتبنّاها بنفسك أو أمام غيرك.

المصادر

• Vectara: الجيل الثاني من لوحة قياس الهلوسة
• IEEE Spectrum: لماذا تجاملك النماذج اللغوية
• ويكيبيديا: تذلل الذكاء الاصطناعي
• Digital Applied: قياس معدلات الهلوسة في 2026
• Talkory: أي نموذج يهلوس أقل في 2026
• الجزيرة: تحذير الخبراء من تأثير الذكاء الاصطناعي
• Machine Learning Mastery: حيل هندسة الأوامر لتقليل الهلوسة
• CloudZero: أسعار ChatGPT في 2026
• ScreenApp: تسعير Claude Pro وMax في 2026