دراسة جديدة: أنظمة "RAG" متعددة الوكلاء تتفوق على النماذج اللغوية الفردية في تسعير وثائق التأمين

كشف اختبار مرجعي (Benchmark) جديد يقارن بين ثلاث بنى مختلفة للذكاء الاصطناعي في مجال تسعير وثائق التأمين (Underwriting)، أن خط أنابيب متعدد الوكلاء يعتمد على تقنية التوليد المعزز بالاسترجاع الوكيلي (Agentic RAG) يتفوق باستمرار على كل من النموذج اللغوي الكبير المستقل (Standalone LLM) والنظام التقليدي للتوليد المعزز بالاسترجاع (RAG). الفارق يصبح أوضح كلما تعقدت الحالة، وتطلب اتخاذ القرار خطوات متعددة أو واجه بيانات ناقصة من طالب التأمين.

الورقة البحثية، التي قُدّمت إلى أرشيف "arXiv" في 8 يوليو 2026، تركّز بشكل ضيق على وثائق تأمين أصحاب الأعمال (Business Owner Policies - BOPs)، وهي فئة شائعة من تأمينات المنشآت الصغيرة تجمع بين تغطية الممتلكات والمسؤولية القانونية وتوقف الأعمال. بدل اختبار قدرات الاستدلال العامة، بنى الباحثون خط معالجة كامل للتسعير الآلي المباشر (Straight-Through Underwriting)، وهو نوع العمليات الآلية التي تستخدمها شركات التأمين للموافقة على الوثائق أو تسعيرها أو تصعيدها للمراجعة البشرية بأقل تدخل ممكن.

ثلاثة أنظمة، مهمة واحدة

تضع الدراسة نموذجاً لغوياً فردياً كخط أساس، ونظام "RAG" تقليدي، وبنية وكيلية منسقة متعددة الوكلاء (Multi-Agent RAG)، وجهاً لوجه في مواجهة سير العمل ذاته لتسعير التأمين. النموذج الفردي يعتمد كلياً على معرفته الداخلية وسياق الأوامر النصية (Prompt) المُعطاة له. أما نسخة "RAG" التقليدية، فتضيف خطوة استرجاع (Retrieval) تسحب من خلالها المستندات ذات الصلة، كدلائل السياسات وجداول المخاطر وبيانات الحالات السابقة، قبل صياغة القرار النهائي.

النسخة الوكيلية تذهب أبعد من ذلك، فهي تقسّم المهمة على عدة وكلاء متخصصين (Agents) يستطيع كل منهم استرجاع المعلومات بشكل مستقل، والتحقق من صحة الحقائق، والتنسيق فيما بينهم قبل الوصول إلى توصية نهائية موحدة.

ووفق الورقة البحثية، فإن هذا التقسيم للعمل يحقق نتائج ملموسة. أظهر النظام الوكيلي أكبر تفوق له في السيناريوهات التي تتطلب استدلالاً متعدد الخطوات، أو التي تحتوي على ثغرات في المعلومات المقدَّمة من طالب التأمين، وهي بالضبط الحالات التي يتعثر فيها النموذج اللغوي حين يعمل بردة فعل واحدة (Single-Shot)، أو حين يعتمد على استعلام استرجاع بسيط دون تدقيق. فحين تتطلب الحالة التأمينية مطابقة عدة مصادر بيانات، أو رصد ما هو ناقص قبل اتخاذ القرار، يبدو أن تقسيم المهمة على عدة وكلاء يتحقق كل منهم من عمل الآخر ينتج قرارات أكثر موثوقية من الاعتماد على نموذج واحد يقوم بكل شيء في محاولة واحدة.

القابلية للتدقيق لا تقل أهمية عن الدقة

ما يميز هذا البحث عن المقارنات المعتادة لأداء النماذج هو تركيزه على الحوكمة (Governance). فالباحثون لا يقيّمون الأنظمة على أساس الدقة الخام فقط، بل يضعون الشفافية والقابلية للتدقيق (Auditability) والإشراف البشري في حلقة القرار (Human-in-the-Loop) في صلب معايير التقييم، وهي شروط لا تقبل التنازل في قطاع خاضع للتنظيم الصارم كقطاع التأمين. فأي قرار تسعيري لا يمكن تفسيره أو تتبّع الأدلة الداعمة له يمثل عبئاً قانونياً ومهنياً، بصرف النظر عن مدى دقته.

هذا التوجه يشير إلى أن الجمهور الحقيقي المستهدف من الورقة ليس باحثي الذكاء الاصطناعي فقط، بل شركات التأمين ومزوّدي حلول "إنشورتك" (Insurtech) الذين يقيّمون إلى أي مدى يمكنهم دفع حدود الأتمتة في معالجة الوثائق المباشرة. فأنظمة "RAG" متعددة الوكلاء، بحكم تصميمها، تترك أثراً أوضح خلف كل قرار، إذ يمكن من حيث المبدأ تسجيل كل خطوة استرجاع واستدلال يقوم بها كل وكيل ومراجعتها لاحقاً، مما يسهّل تحقيق متطلبات الامتثال والتدقيق مقارنة بمخرجات نموذج واحد يعمل كـ"صندوق أسود" مغلق.

هذه النتائج تنضم إلى مجموعة متزايدة من الأدلة على أن البنى الوكيلية، حيث تتعاون عدة مكونات متخصصة من الذكاء الاصطناعي بدلاً من نموذج واحد ضخم يحاول القيام بكل شيء، تتوسع بشكل أفضل في المهام التي تتسم بفوضى الواقع العملي: نماذج طلبات ناقصة، وعوامل خطر غامضة، ومنطق موافقات متعدد الخطوات. وبالنسبة لقطاع يقوم أساساً على تقييم المخاطر، فإن هذا المزيج من أداء أقوى وقابلية تتبع أفضل قد يكون أكثر أهمية من أي تحسينات تدريجية في دقة النموذج الخام وحدها.