تقرير Gartner حول AI Gateways: ما الذي يجب أن تعرفه فرق AI في المؤسسات

Built for Speed: ~10ms Latency, Even Under Load
Blazingly fast way to build, track and deploy your models!
- Handles 350+ RPS on just 1 vCPU — no tuning needed
- Production-ready with full enterprise support
قبل عام من الآن، كانت معظم وكلاء AI تعيش في العروض التوضيحية (demos).
كانت تجيب على الأسئلة، وتصوغ البريد الإلكتروني، وربما تشغل روبوت دردشة داخليًا. وإذا حدث خلل ما، فإنه ينطوي على بعض الإزعاج، ولكنه نادراً ما يكون حرجًا. اليوم، لم يعد هذا هو الحال.
يتسلل وكلاء AI بهدوء إلى الجهاز العصبي للمؤسسات؛ فهم يوجهون طلبات العملاء، ويفعلون سير العمل، ويتعاملون مع بيانات الإنتاج، ويتحدثون مع وكلاء آخرين. وقد كشف هذا التحول عن فئة جديدة من التحديات لم تكن العديد من الفرق مجهزة للتعامل معها. نشرت Gartner مؤخرًا تقارير متعددة حول هندسة GenAI، وAI gateways، والأنظمة القائمة على MCP، مشيرة إلى TrueFoundry عبر هذه التقارير. وفي كل تقرير من هذه التقارير، يستمر موضوع واحد في الظهور: مع انتقال وكلاء AI من التجارب إلى مسارات العمل الفعلية للأعمال، فإن أصعب المشكلات التي تواجها المؤسسات تتعلق بالتحكم، والشفافية، والتكلفة.
إليك أبرز النقاط الرئيسية من التقارير وما تعنيه لفرق المؤسسات.
GenAI أصبحت الآن طبقة منصة، وليست مجرد حل لنقطة واحدة (point solution)
GenAI لم تعد مجرد ميزة وأصبحت منصة كاملة
المرحلة الأولى من GenAI داخل المؤسسات كانت تركز بالكامل على هل يمكننا فعل هذا؟
بينما تركز المرحلة التالية على هل يمكننا تشغيل هذا؟
ينعكس هذا التحول بوضوح في كيفية تطور السوق. ففي تقرير Gartner المعنون Innovation Guide for Generative AI Engineering، تشير إلى أن الموردين يتجاوزون بمراحل مجرد "توجيه النموذج (prompting a model)" إلى منصات GenAI متكاملة الأركان: تغطي أنابيب البيانات، وهندسة السياق (context engineering)، والتنسيق (orchestration)، والحوكمة. وكما يذكر التقرير: "على مدار العامين الماضيين، تسابقت شركات هندسة AI الحالية والجديدة لتقديم الأدوات والخدمات لدعم أنابيب GenAI بما يتجاوز التوجيه البسيط لـ نماذج GenAI... وقد برزت هندسة المعرفة والسياق كقدرة حجر الزاوية التي تميز تطبيقات GenAI الناجحة عن النماذج الأولية التجريبية."
بكلمات أخرى: بمجرد أن تصبح GenAI حقيقة واقعة، فإنها تتوقف عن كونها مجرد مجموعة من الأدوات وتبدأ في التصرف مثل البنية التحتية، تمامًا كما تطورت best MLops tools من أدوات نماذج معزولة إلى منصات إنتاج كاملة.
وهنا تصبح فكرة طبقة التحكم المركزية أمرًا لا مفر منه. يمكنك السماح للفرق بالتحرك بسرعة عبر النماذج، والبيئات السحابية، والوكلاء—ولكن هناك حاجة إلى شخص ما (أو شيء ما) للحفاظ على اتساق النظام وتماسكه.
في التقرير، تضع Gartner شركة TrueFoundry في Emerging Market Quadrant for Generative AI Engineering كـ Emerging Challenger، مما يعكس هذا التحول بالذات: التعامل مع GenAI ليس كعمليات تكامل متفرقة، ولكن كمنصة ذات تحكم مركزي وتنفيذ موزع.
الآثار قريبة المدى على قادة المنتجات
بمجرد أن تصبح GenAI بنية تحتية للمنصة—بدلاً من مجموعة من التجارب—ينتقل الضغط مباشرة إلى الأشخاص المسؤولين عن تشغيلها. وفجوات التحكم التي تظهر على مستوى النظام سرعان ما تصل إلى مكاتب قادة المنتجات والمنصات.
بالنسبة لهم، بدأ التركيز في التحول من "كيف نبني الوكلاء؟" إلى "كيف نحافظ على التحكم بمجرد تشغيلهم؟" تتوسع الأنظمة متعددة الوكلاء (Multi-agent systems) بطرق يصعب التنبؤ بها. حيث يستدعي أحد الوكلاء وكيلاً آخر، ويتفرع هذا الوكيل إلى أدوات مختلفة. فترتفع التكاليف بصورة مفاجئة، وتتراكم أوقات الاستجابة (latencies)، وتتوالى الإخفاقات في أماكن لم يقم أحد بمراقبتها.
يوضح تقرير Gartner المعنون Emerging Tech: AI Vendor Race – AI Gateways Usher in the Agent-to-Agent Economy ذلك بصراحة: "لن تتحقق MAS (الأنظمة متعددة الوكلاء) على نطاق واسع في المؤسسة دون توفر التحكم والشفافية عبر جميع مكونات هذه الأنظمة." وهذا يعكس ما لاحظنا أن العديد من الفرق تعيشه بالفعل: الأنظمة القائمة على الوكلاء (agentic systems) تتوسع بسرعة أكبر من قواعد الحماية والأمان المحيطة بها.
وفقًا للتقرير نفسه، بحلول عام 2028، ستستخدم 70% من فرق هندسة البرمجيات التي تبني تطبيقات متعددة الوسائط (multimodal applications) تقنية AI Gateways لتحسين الاعتمادية وتحسين التكاليف. وقبل ذلك، بحلول عام 2027، ستكون لدى 40% من المؤسسات AI Gateways اثنتان أو أكثر منشورة للتحكم في MAS غير المتجانسة ومراقبتها. تعكس هذه التوقعات واقعًا متزايدًا داخل المؤسسات اليوم.
لكن الأمر لا يقتصر على التحكم التنظيمي فحسب، بل تقدم AI Gateways فوائد تكلفة حقيقية للشركات. ففي تقريرها Reduce AI Costs and Improve Reliability with AI Gateways and Model Routers، تقدر Gartner أن الموجهات (routers) يمكنها "تقليل تكلفة الاستنتاج بنسبة تصل إلى 85% للاستعلامات البسيطة".
لماذا ستصبح MCP Gateways أكثر أهمية
لقد قدم MCP شيئًا مهمًا: فقد وضع معايير لكيفية اتصال الوكلاء بالأدوات وببعضهم البعض. ولكن أي شخص قام بتوسيع نطاق خوادم MCP عبر الفرق يعلم أن توحيد المعايير ليس سوى البداية.
بدون طبقة تحكم، سرعان ما تقع المؤسسات في:
- تعريفات أدوات مكررة أو غير واضحة
- مصادقة وأذونات غير متسقة
- شفافية محدودة حول الوكلاء الذين يستخدمون أياً من الأدوات—ولماذا
- تعقيد تشغيلي ينمو بسرعة أكبر من عدد الموظفين
تعالج Gartner هذا الأمر مباشرة في Emerging Practices for MCP Servers and Tools، حيث توصي بالتعامل مع خوادم MCP "كواجهات برمجة تطبيقات إنتاجية (production APIs)" وحوكمتها من خلال معماریة قائمة على AI Gateways تضفي الطابع المركزي على المصادقة، والتفويض، وتطبيق السياسات، والقابلية للملاحظة (observability). تدرج Gartner شركة TrueFoundry ضمن قائمة AI and Agent Gateways مع دعم MCP، مما يؤكد على مغزى أوسع للفرق: توسيع نطاق الأنظمة القائمة على الوكلاء لا يتعلق فقط بالبروتوكولات، بل يتعلق بوضع هياكل التحكم المناسبة في مكانها قبل أن تتحول التجارب إلى ديون تشغيلية.
ما الذي يجب أن تستخلصه فرق المؤسسات من هذا التحول؟
لا تشعر المؤسسات عادةً بالتحولات المعمارية دفعة واحدة. بل تظهر كعقبات صغيرة في البداية—ارتفاع غير متوقع في التكاليف، وكيل يتصرف بشكل مختلف في بيئة الإنتاج، مراجعة أمنية تستغرق فجأة أسابيع بدلاً من أيام. ومع مرور الوقت، تتراكم تلك العقبات لتتحول إلى إدراك: لقد تجاوز النظام الطريقة التي يُدار بها.
تلك هي اللحظة التي تصل إليها العديد من الفرق اليوم مع agentic AI.
يعكس أحدث أبهاث Gartner نقطة التحول هذه. ليس لأن AI gateways جديدة، ولكن لأن المشكلات التي تحلها أصبحت لا مفر منها. ومع تضاعف الوكلاء وتداخل المسؤوليات عبر النماذج والأدوات والفرق، تتوقف طبقة التحكم المركزية عن كونها بنية تحتية اختيارية وتبدأ في أن تصبح شرطًا أساسيًا للتوسع.
الفرق التي تستوعب هذا الأمر وتطبقه بالشكل الصحيح لن تطلق المنتجات بسرعة أكبر فحسب—بل ستعرف ما الذي يعمل، ولماذا يعمل، وكيفية تغييره دون كسر كل شيء آخر. هذا هو الفارق بين التجريب باستخدام AI وتشغيله فعليًا.
TrueFoundry AI Gateway delivers ~3–4 ms latency, handles 350+ RPS on 1 vCPU, scales horizontally with ease, and is production-ready, while LiteLLM suffers from high latency, struggles beyond moderate RPS, lacks built-in scaling, and is best for light or prototype workloads.

















.webp)




.webp)
.webp)
.png)

.png)
.png)
.png)
.png)
.png)
.webp)
.webp)






