GPT-6 Luna ومتوسط وقت المعالجة. متوسط وقت المعالجة هو عدد الدقائق التي يقضيها الموظف في تذكرة واحدة، من الفتح حتى الإرسال. في نظام المسودة والمراجعة توضع مسودة من الذكاء الاصطناعي في خانة الرد، وقد سُحبت إليها الإجابة الصحيحة، فيعدّل الموظف بدل أن يكتب من الصفر. هذه قراءة قائد فريق دعم لتغيّر السعر، وليست قراءة مهندس للنموذج.
في 22 سبتمبر 2026 قدّمت OpenAI فئتين أقل تكلفة من GPT-6 هما sol وLuna، وفق letsdatascience. هذا تقرير ثانوي، لذا أعد التحقق من التفاصيل في صفحة أسعار OpenAI نفسها قبل أن تضع ميزانيتك عليها. الاتجاه هو المقصود: أسعار الفئة المتوسطة تواصل الانخفاض.
لترى كم انخفضت، انظر إلى خط الحدود الأمامية الذي تقل عنه Luna. صدر GPT-6 astra في 3 سبتمبر 2026 بسياق يقارب مليون رمز، وفق vorplabs. سعر مخرجات Luna جزء صغير من سعر astra. المزوّد نفسه، وبفارق ثلاثة أسابيع.
لماذا يغيّر النموذج الأرخص ما تشغّله خلف كل تذكرة؟
كيف يخفض الذكاء الاصطناعي متوسط وقت المعالجة في دعم العملاء؟
يخفض الذكاء الاصطناعي متوسط وقت المعالجة بصياغة الرد قبل أن يفتح الموظف التذكرة، مع استرجاع الإجابة المناسبة من قاعدة المعرفة وإدراجها فيه. يقرأ الموظف ويعدّل ويرسل بدل الكتابة من خانة فارغة. وهذا يقلص دقائق الصياغة، وهي أكبر جزء قابل للتقليص من وقت المعالجة في أغلب الفرق.
حتى اليوم حجزت معظم الفرق صياغة الذكاء الاصطناعي لأصعب 20% من التذاكر: استرداد معقد، أو تصعيد، أو سلسلة من عشر رسائل. أما التذاكر البسيطة فنالت قالبًا جاهزًا، لأن تشغيل مسودة جديدة لكل تذكرة كان يكلّف أكثر مما يوفّر.
هذا الاعتراض على التكلفة هو ما تزيله Luna. مسودة الدعم مع سياق الاسترجاع تستهلك بضعة آلاف من رموز الإدخال وبضع مئات من رموز الإخراج. وبأسعار Luna فهذا جزء ضئيل جدًّا من سنت لكل تذكرة، لذا فإن صياغة المسودات خلف كل تذكرة في طابور كبير الحجم لا تكاد تكلّف شيئًا. أما بأسعار astra فكان الحجم نفسه يتراكم ليصبح بندًا حقيقيًّا في الميزانية.
ماذا تفعل المسودة والمراجعة بمتوسط وقت المعالجة فعلًا؟
قسّم التذكرة الواحدة إلى أجزاء. يقرأها الموظف، ويجد الإجابة، ويصوغ الرد، ثم يرسل. والصياغة عادةً أكبر شريحة. إذا كانت تذكرة من ست دقائق تقضي ثلاثًا منها في الكتابة، فإن المسودة الجيدة تخفضها إلى دقيقة تقريبًا. فتُغلق التذكرة في نحو أربع دقائق. أي تخفيض بنسبة 33%، وتتحرك التذاكر لكل موظف في الوردية بالقدر نفسه.
يبقى الموظف هو المسؤول. لا شيء يُرسل من تلقاء نفسه. وما يعمل خلف كل تذكرة صغير ومرئي:
- يسحب الاسترجاع مقال قاعدة المعرفة المطابق والسياسة المتعلقة به إلى السياق
- يصوغ النموذج ردًا بنبرتكم، ويذكر المصدر الذي استند إليه
- يعدّل الموظف المسودة ويضغط إرسال، أو يعيد كتابتها إذا كانت خاطئة
- يعود التصحيح إلى النظام فتتحسن المسودة التالية في الموضوع نفسه
هذا الشكل من العمل نفسه الموصوف في مثال تطبيقي عن الاسترجاع من جانب الوكيل لفريق دعم، وهو إعداد توضيحي بأرقام مفترضة، وليس نتيجة عميل. الفكرة هناك لم تكن نموذجًا أذكى، بل وضع الإجابة في يد الوكيل قبل أن يبحث عنها. وسعر Luna يتيح لك فعل ذلك على الطابور كله لا على جزء منه. نصمّم هذه الإطلاقات ضمن ممارسة استشارات الذكاء الاصطناعي لدينا، ونبني طبقة الاسترجاع ضمن تنفيذ الذكاء الاصطناعي.
We are
تضع Stennir مسودة في خانة رد موظفك ليعدّلها إنسان ويرسلها أسرع.
We aren't
Stennir ليست روبوت صدّ يواجه عملاءك ويجيبهم بدلًا من فريقك.
هل تضع الذكاء الاصطناعي خلف كل تذكرة الآن؟
نعم في الغالب، مع فحصين. أولًا، أعد التحقق من سعر Luna في صفحة أسعار OpenAI، لأن التسعير الذي نستشهد به تقرير ثانوي من سبتمبر. ثانيًا، اجعل الحكم على الجودة لا على التكلفة. المسودة الرخيصة الخاطئة نصف الوقت ترفع زمن المعالجة، لأن الوكيل يعيد كتابتها. قِس معدل التعديل قبل وبعد. وأبقِ التذاكر الصعبة على فئة أقوى إن احتاجت مسوداتها إلى ذلك.
كان السؤال القديم: أي التذاكر نقدر على صياغة مسودة لها. تغيّره Luna إلى: أي التذاكر ما زال ينبغي أن يكتبها إنسان بيده. وهذه قائمة أقصر بكثير.
إذا كنت تقود فريق دعم وتتابع وقت المعالجة والتذاكر لكل موظف في الوردية، فخطوة هذا الربع هي تسعير تجربة مسودة ومراجعة على حجمك الفعلي ومعدل تعديلك، لا على عرض توضيحي من مورّد. نحن جدد، والشروط التي نعرضها هي التي نبني وفقها. احجز مكالمة استكشافية مدتها 30 دقيقة وسنقدّر الحجم على أرقامك أنت قبل أن تلتزم بأي شيء.
