Norm AI تقتنص تقييم 1.2 مليار دولار.. وقطاع التقنية القانونية يراهن على وكلاء الذكاء الاصطناعي القائمين على النتائج

دعمت Khosla Ventures للتو شركة تشبه مكتب محاماة لكنها ليست كذلك بالمعنى التقليدي. فقد أغلقت Norm AI، الشركة التي تقف خلف منتجها Norm Law، جولة تمويل من الفئة "سي" (Series C) بقيمة 120 مليون دولار عند تقييم بلغ 1.2 مليار دولار، ليصل إجمالي ما جمعته الشركة إلى أكثر من 260 مليون دولار منذ انطلاقتها قبل ثلاث سنوات فقط. هذه الجولة ليست مجرد صفقة تمويلية عابرة، بل مؤشر على قناعة متصاعدة بين المستثمرين بأن الخدمات القانونية المُبنية أساساً على الذكاء الاصطناعي (AI-native)، لا تلك التي تستخدمه كمساعد فقط، قادرة على منافسة مكاتب المحاماة التقليدية بشكل مباشر، بدل أن تقتصر على بيعها البرمجيات.

يخرج طرح Norm Law عن الإطار المعتاد لـ"المساعد الذكي للمحامي". فوكلاء الذكاء الاصطناعي (AI Agents) التابعون للشركة، وهم نتاج تعاون بين مهندسي الذكاء الاصطناعي والمحامين الممارسين، ويعملون تحت إشراف محامين كبار، يتولون العمل القانوني مباشرة. والأهم أن الشركة تتقاضى أجورها بناءً على النتيجة لا على الساعة الفعلية للعمل. هذا النموذج يضع Norm في موقع مغاير لنظامين سائدين في آن واحد: نظام التسعير بحسب استهلاك الرموز (Token-based Pricing) الشائع بين مزودي نماذج الذكاء الاصطناعي، ونظام الأجر بالساعة الذي حكم اقتصاديات مكاتب المحاماة لعقود طويلة. وتؤكد Norm أن أنظمتها تعمل بالفعل لدى عملاء تمثل أصولهم مجتمعة أكثر من 300 تريليون دولار، وهو رقم يشير إلى أن الشركة تجاوزت مرحلة التجارب المحدودة (Pilot) ودخلت فعلياً في مرحلة التبني المؤسسي الواسع.

خفض تكلفة "مشكلة السياق" في الذكاء الاصطناعي القانوني

في الأسبوع نفسه الذي أُعلن فيه عن جولة Norm، برز تطور آخر منفصل لكنه وثيق الصلة، يسلّط الضوء على المساحة الكبيرة المتبقية لخفض تكلفة تشغيل أنظمة الذكاء الاصطناعي القانوني. فقد نشرت منصة Artificial Lawyer تقريراً عن بحث أجرته شركة Syntheia، يقارن بين تقنيات الاسترجاع المُهيكل (Structured Retrieval) والأسلوب التقليدي الأكثر كلفة، وهو حشو نافذة السياق (Context Window) بالمستند كاملاً، طريقة لا تزال شائعة عندما تكون الدقة أولوية قصوى، لكنها تتحول سريعاً إلى عبء مكلف عند التوسع في الاستخدام.

اعتمدت Syntheia على نموذج Claude 4.6 كمحرك اختبار، وأجرت معياراً قياسياً (Benchmark) من 20 سؤالاً مستمدة من عقود ائتمانية فعلية، واتفاقيات شراكة محدودة، وعقود بيع أسهم، وهي بالضبط نوعية العقود الكثيفة التي يُطلب من أدوات الذكاء الاصطناعي القانوني تحليلها باستمرار. أظهرت نتائج الاسترجاع الدلالي القائم على التمثيلات المتجهة (Embedding-based Retrieval) تطابقاً مع أداء حشو المستند الكامل في 18 من أصل 20 سؤالاً، مع معالجة أقل بـ17.3 مرة من عدد الرموز (Tokens). أما تهيئة أخف من التمثيلات المتجهة، فرفعت نسبة توفير الرموز إلى ما يقارب 30 مرة، لكنها تراجعت لتطابق 15 سؤالاً فقط من أصل 20، وهو مقايضة واضحة في الدقة مقابل الكسب الإضافي في الكفاءة.

أما النتيجة الأبرز فجاءت من تقنية التنقل داخل الفهرس المُهيكل (Structured Index Navigation)، التي طابقت أداء حشو المستند الكامل في جميع الأسئلة العشرين، مع خفض عدد الرموز المُعالجة بمعدل 1.6 مرة، وتقليص حجم السياق بنحو 56 مرة. هذا المزيج، أي الحفاظ الكامل على الدقة إلى جانب انخفاض هائل في حجم السياق المطلوب، يرجّح كفة استراتيجيات الفهرسة كطريق أكثر ثباتاً نحو خفض التكاليف، مقارنة بالاعتماد فقط على البحث بالتمثيلات المتجهة، خصوصاً في المستندات الكثيفة والمليئة بالبنود القانونية التي تسيطر على العمل القانوني التجاري.

لماذا يرتبط الخبران ببعضهما

لا يمكن قراءة أي من الخبرين بمعزل عن الآخر. فبينما تتوسع شركات مثل Norm في تقديم خدمات قائمة على وكلاء الذكاء الاصطناعي لعملاء تدير تريليونات الدولارات من الأصول، تتحول التكلفة الفعلية لتشغيل هؤلاء الوكلاء على عقود طويلة ومعقدة إلى قيد تجاري حقيقي لا يمكن تجاهله. وأبحاث الاسترجاع كتلك التي قدمتها Syntheia تعالج هذا القيد بالضبط، فيما تزداد جاذبية نماذج التسعير القائمة على النتائج، مثل نموذج Norm، أمام المستثمرين كل ما تحسّنت اقتصاديات استهلاك الرموز الكامنة خلفها. الخبران، أحدهما مالي والآخر تقني، يصفان في الواقع صناعة واحدة تتجه نحو حل مشكلة واحدة: جعل الذكاء الاصطناعي القانوني عالي الحساسية دقيقاً وفي الوقت نفسه ميسور التكلفة على نطاق واسع.