فجوة رؤية وكلاء الذكاء الاصطناعي: مراجعة أرقام Snyk لعام 2026

يشير بحث Snyk المجلد الثاني، المنشور في 3 أغسطس 2026، إلى أن البنية التحتية الكاملة للذكاء الاصطناعي تبلغ حوالي ثلاثة أضعاف ما يظهره جرد النماذج، بمجرد احتساب الأطر (frameworks)، وخوادم MCP، وأدوات الاسترجاع (retrievers)، ومجموعات البيانات. أما عبارة "تضاعف الاعتماد تقريبًا" فهي أكثر صعوبة: لأنها تعتمد على قاعدة بيانات لم تنشرها Snyk.

ملخص: خلال أسبوع Black Hat USA 2026، أصدرت Snyk المجلد الثاني من تقريرها State of Agentic AI Adoption، والذي استند إلى أكثر من 3,000 حساب مؤسسي وحوالي 1.39 مليون مستودع أكواد.¹ هناك نتيجتان قويتان ومدعومتان بالأدلة: سطح مكونات الذكاء الاصطناعي الكامل يبلغ تقريبًا ثلاثة أضعاف ما يظهره جرد النماذج، و51% فقط من المؤسسات التي تنشر النماذج تعلن عن وجود أي مجموعة بيانات في مستودعاتها. أما عنوان النمو فهو أقل استقرارًا؛ حيث تقول Snyk إن اعتماد الوكلاء (agentic adoption) الكامل قد "تضاعف تقريبًا" في ستة أشهر، لكن النسب المئوية التي نشرتها تدعم زيادة تتراوح بين 1.39x إلى 1.83x اعتمادًا على القاعدة المستخدمة -- كما أن Snyk نشرت قيمتين مختلفتين لنقطة البداية الخاصة بها. وفي الوقت نفسه، يتم تداول نسب 25%، 28%، 33% و46.9% جميعها كأرقام لاعتماد الوكلاء، بينما تنشر دراسة غير ذات صلة نسبة 46.9% متطابقة حول شيء آخر تمامًا.

ما ستتعلمه

• ما الذي يبلغه بحث Snyk المجلد الثاني فعليًا، وبناءً على أي بيانات
• ما إذا كانت عبارة "تضاعف اعتماد الوكلاء الكامل تقريبًا" تصمد أمام النسب المئوية الخاصة بـ Snyk
• لماذا تعتبر نسب 25%، 28%، 33% و46.9% أربعة قياسات مختلفة، وليست أربعة وجهات نظر لشيء واحد
• ماذا يعني وما لا يعني قول "المؤسسات ترى ثلث ذكائها الاصطناعي فقط"
• رقم تسلسل البيانات (data-lineage) الذي يترك أقل مجال للجدال
• كيف تغير مزيج نماذج المؤسسات بين يناير ومايو 2026
• ما هي منتجات اكتشاف الوكلاء (agent-discovery) التي تم إطلاقها خلال Black Hat USA 2026
• تحذير العينة (sampling caveat) الذي يغير كيفية قراءتك لكل رقم هنا
• قائمة مراجعة عملية للجرد للفرق التي تقوم بالفعل بنشر الوكلاء

ما نشرته Snyk فعليًا في 3 أغسطس

أصدرت Snyk المجلد الثاني من تقرير State of Agentic AI Adoption في 3 أغسطس 2026، من بوسطن، تحت عنوان "المؤسسات عمياء عن ثلثي سطح الهجوم الخاص بالذكاء الاصطناعي لديها. والنقطة العمياء تنمو بسرعة."¹ يعتمد البحث على "أكثر من 3,000 حساب مؤسسي حول العالم". وتذكر Help Net Security، في كتاباتها بتاريخ 5 أغسطس، الرقم الدقيق وهو 3,044 بيئة مؤسسية عبر 1.39 مليون مستودع أكواد.²

الملاحظة الأساسية تتعلق بالتكوين بدلاً من السلوك، مما يجعل فجوة رؤية وكلاء الذكاء الاصطناعي مشكلة جرد قبل أن تكون مشكلة مراقبة. إذا سألت فريقًا أمنيًا عن الذكاء الاصطناعي الذي يشغله، فستحصل على قائمة بالنماذج. وجهة نظر Snyk هي أن هذه القائمة هي أصغر جزء من البنية التحتية:

النماذج هي القمة المرئية. أما التكوين فهو جبل الجليد.

-- Manoj Nair، رئيس قسم التكنولوجيا والابتكار في Snyk¹

حول هذه النماذج توجد أطر الوكلاء، وخوادم MCP، وأنظمة الاسترجاع، وقواعد بيانات المتجهات (vector databases)، ومجموعات البيانات، والأدوات الداعمة. وباحتساب كل ذلك، فإن "سطح الذكاء الاصطناعي الكامل يبلغ تقريبًا ثلاثة أضعاف ما يظهره جرد النماذج، وظلت هذه النسبة ثابتة في كل منطقة قامت Snyk بقياسها."¹ تحول Snyk هذه النسبة إلى ادعاء الرؤية في عنوانها -- فإذا كانت قائمة النماذج هي جردك، فأنت تنظر إلى ثلث المكونات فقط. وسواء كان هذا التحويل دقيقًا أم لا، فهو سؤال يستحق قسمًا خاصًا به، وسنتناوله أدناه.

من الجدير بالذكر من أجل المعايرة: أن نسبة 3x ليست جديدة في المجلد الثاني (Volume II). فقد أعلنت صفحة الهبوط الخاصة بالمجلد الأول (Volume I) من Snyk في يناير 2026 بالفعل عن "بصمة ذكاء اصطناعي أكبر بـ 3 مرات من مجرد تعداد النماذج".³ الرقم الذي تغير بين المجلدين هو رقم الاعتماد، وليس رقم التكوين.

المنهجية صريحة بشكل غير معتاد بالنسبة لتقرير صادر عن مورد، وتستحق القراءة قبل النظر في النسب المئوية. تذكر Snyk أنها استخدمت "بيانات مجهولة المصدر ومجمعة من مؤسسات تستخدم Snyk وقامت بمسح AI-BOM بنجاح بدءاً من مايو 2026"، مع سحب بيانات المقارنة للمجلد الأول من تقريرها في يناير 2026 عند n = 500+، وتقييم قدرات النماذج عبر Epoch Capabilities Index، وهو مؤشر خارجي يجمع الدرجات من أكثر من 50 معياراً.¹⁴ تصف Snyk النتيجة بأنها "أكبر دراسة مستقلة حول كيفية بناء المؤسسات فعلياً باستخدام الذكاء الاصطناعي" -- وهذا وصفها الخاص، وهو وصف يجب التعامل معه بحذر، لأسباب موضحة في قسم العينات أدناه.

هل تضاعف اعتماد الـ full-stack agentic حقاً في ستة أشهر؟

يعتمد الأمر كلياً على قاعدة أساسية لم تذكرها Snyk، وتتراوح الإجابة من "لا" واضحة إلى "نعم" واضحة.

تقول الفقرة الافتتاحية للبيان الصحفي إن "حصة المؤسسات التي تشغل بنية agentic full-stack قد تضاعفت تقريباً منذ تقرير Snyk الأولي في يناير 2026"، ويكرر الوصف الميتا (meta description) للصفحة عبارة "تضاعفت تقريباً".¹ ويوفر نفس البيان النسب المئوية الأساسية: وجد المجلد الأول أن 28% من المؤسسات تشغل بنية agentic، مع تشغيل 36% من هؤلاء المعتمدين لكل من أطر عمل الـ agents وخوادم MCP معاً؛ بينما يضع المجلد الثاني اعتماد الـ agentic عند 33% بشكل عام، مع وصول حصة الـ full-stack بين المعتمدين إلى 50%.¹

جملة Snyk تتعلق بـ "حصة المؤسسات"، لذا فإن القراءة الطبيعية تضرب الرقمين في كل مجلد:

الارتفاع من 10.1% إلى 16.5% هو زيادة بنسبة 64%، وهو منحنى حاد بالنسبة للبنية التحتية للمؤسسات. وسواء كانت نسبة 1.64x تستحق وصف "تضاعفت" فهو حكم متعلق بالصفات وليس خطأً حسابياً -- ولكنها الأكثر سخاءً من بين الصفوف الثلاثة أعلاه، ولا يوجد أي منها يصل إلى 2x.

ثم هناك التعقيد الذي يقوض العملية برمتها. تنشر Snyk قيمتين مختلفتين لنقطة البداية في المجلد الأول الخاص بها. يقول البيان الصحفي 28%؛ بينما تقول صفحة الهبوط للمجلد الأول "مؤسسة واحدة من كل 4 مؤسسات انتقلت بالفعل إلى ما وراء الذكاء الاصطناعي القائم على المطالبات (prompt-based AI) نحو الأنظمة المستقلة"، وهو ما يعادل 25%.¹³ إذا أجرينا نفس عملية الضرب على 25% تتغير الصورة: 0.25 x 0.36 = 9.0%، لترتفع إلى 16.5%، أو 1.83x. وهذا يعتبر تضاعفاً تقريباً وفقاً لأي معيار منطقي.

هناك قراءة ثالثة متاحة أيضاً. يشير تقرير Help Net Security إلى أن تبني الوكلاء (agentic adoption) في المجلد الثاني بلغ 46.9% من المؤسسات التي تستخدم الذكاء الاصطناعي،² بينما استُمد المجلد الأول من مؤسسات كانت قد أجرت بالفعل تقييماً لاستكشاف الذكاء الاصطناعي.³ إذا تم اقتباس كلا المجلدين على أساس المؤسسات المستخدمة للذكاء الاصطناعي بدلاً من أساس جميع المؤسسات، فإن النسبة ترتفع إلى أكثر من ضعفين. التقرير الكامل محجوب خلف نموذج تحميل، لذا لا يمكن التحقق من الخارج من الأساس الذي استخدمته Snyk فعلياً في العنوان الرئيسي.

لذا فإن الحكم الصادق هو أدق من قولنا "الادعاء خاطئ". بالنسبة للنسب المئوية في البيان الصحفي، فإن عبارة "تضاعفت تقريباً" مبالغ فيها. أما بالنسبة للنسبة المئوية في صفحة المجلد الأول الخاصة بـ Snyk، فهي عادلة. Snyk لا تذكر أي زوج من البيانات أنتج العنوان الرئيسي، وهي تنشر كلا المدخلين.

كما أن التناقض الداخلي لا يقتصر على هذا الرقم الواحد فقط. فالعنوان الفرعي المائل الموجود مباشرة تحت عنوان البيان يقول إن التبني الكامل (full-stack adoption) "قد زاد بشكل ملحوظ في ستة أشهر فقط"، والاقتباس المنسوب إلى Anthony Larkin، نائب رئيس تسويق المنتجات، يستخدم نفس الصياغة الأكثر تحفظاً: "زاد تبني الوكلاء الكامل بشكل ملحوظ في الوقت الذي استغرقته معظم فرق الأمن لإنهاء آخر تقييم للمخاطر لديها".¹ عبارة "زاد بشكل ملحوظ" يمكن الدفاع عنها في كل القراءات المذكورة أعلاه. أما عبارة "تضاعفت تقريباً" فتظل موجودة في الفقرة الافتتاحية وفي الوصف التعريفي (meta description) -- وهما المكانان اللذان يرجح أن ينسخ منهما أي كاتب لاحق. لم يقم الجميع بنسخها: فتقرير Help Net Security عن نفس الدراسة لم يستخدم لغة "التضاعف" على الإطلاق.²

هناك تفصيل آخر لكل من يقتبس الفترة الزمنية. تقول Snyk "ستة أشهر"، مقاسة من تقرير إلى آخر بدءاً من يناير 2026. لكن منهجيتها تحدد نافذة مسح المجلد الثاني في "بداية مايو 2026"، وهو ما يمثل أربعة أشهر بعد نشر يناير.¹ الفترة الزمنية الأقصر ستجعل المنحنى أكثر حدة وليس أكثر تسطحاً، لذا فإن هذه النقطة تصب في مصلحة Snyk.

لماذا تعتبر نسب 25% و 28% و 33% و 46.9% أربعة قياسات مختلفة

نسبة التبني هي النقطة التي تصبح فيها هذه القصة مربكة حقاً، وهذا الارتباك ينتشر الآن.

هناك أربعة أرقام متداولة على أنها "تبني الوكلاء" (agentic adoption)، وهي ليست قابلة للتبديل:

أول رقمين هما نفس النتيجة ولكن بمستويين مختلفين من التقريب، وهو ممارسة تسويقية عادية ولا تصبح مشكلة إلا عندما يتم حساب عنوان نمو بناءً على أحدهما دون توضيح أيهما. أما الرقمان الأخيران فيختلفان في المقام: 33% من الجميع مقابل 46.9% من الفئة الفرعية المستخدمة للذكاء الاصطناعي. إذا كان كلاهما من نفس مجموعة البيانات، فإن الحصة الضمنية للمؤسسات التي تستخدم الذكاء الاصطناعي على الإطلاق هي 33 / 46.9، أي حوالي 70% -- وهو رقم منطقي، والقراءة التي توفق بينهما.

ثم هناك المصادفة. في 29 يونيو 2026، نشرت AvePoint التقرير السنوي الثالث عن حالة الذكاء الاصطناعي (State of AI Report)، والذي أُجري بالتعاون مع Osterman Research وشمل 750 من قادة المؤسسات. إحدى النتائج الرئيسية كانت: "46.9% من الموظفين العالميين يستخدمون وكلاء الذكاء الاصطناعي بشكل أسبوعي أو يومي".⁶ نفس الرقم حتى منزلة عشرية واحدة، دراسة مختلفة، وحدة قياس مختلفة -- موظفون بدلاً من مؤسسات، وتم الإبلاغ عنها من قبل القادة عن موظفيهم بدلاً من استطلاع الموظفين مباشرة. النتيجة الرئيسية الفعلية لـ AvePoint مختلفة: حصة المؤسسات التي لا تستطيع معرفة ما إذا كان الموظفون يستخدمون أدوات ذكاء اصطناعي غير مصرح بها تضاعفت ثلاث مرات تقريباً، من 6.3% في 2025 إلى 17.6% في 2026، وتصل إلى 21.1% لوكلاء الذكاء الاصطناعي تحديداً.⁶

لا يوجد نزاع حول نسبة 46.9% في أي مصدر تمت مراجعته هنا. النقطة هنا أدق وأكثر فائدة: هذا الرقم الآن منتشر في النقاشات المرتبطة بقياسين غير مرتبطين، ونسب الاعتماد الخاصة بـ Snyk تصف مجموعات سكانية مختلفة في تواريخ مختلفة وبناءً على عينات بأحجام مختلفة. يمكن اقتباس أي منها بدقة أو بشكل كارثي اعتماداً على ما إذا كان "المقام" يرافق الرقم. إذا كنت تضع أحد هذه الأرقام في عرض تقديمي لمجلس الإدارة، فاحرص على نقل المقام، والتاريخ، واسم الدراسة إلى الشريحة.

ما الذي يقيسه "رؤية الثلث فقط" فعلياً

هذه هي النتيجة الأكثر عرضة للتفسير المبالغ فيه، لذا من الجدير بفصل الادعاءين المدمجين في عبارة "فجوة رؤية وكلاء الذكاء الاصطناعي".

الادعاء المدعوم بأدلة مباشرة هو نسبة التكوين. تقوم عمليات مسح AI-BOM من Snyk بحصر مكونات الذكاء الاصطناعي في مستودعات الكود. النماذج هي فئة واحدة؛ أما الأطر (frameworks)، وخوادم MCP، وأنظمة الاسترجاع، وقواعد بيانات المتجهات (vector databases)، ومجموعات البيانات والأدوات الداعمة فهي الفئات الأخرى. عبر العينة، يكون الإجمالي حوالي ثلاثة أضعاف عدد النماذج، وتفيد Snyk أن هذه النسبة كانت مستقرة في كل منطقة تم قياسها.¹ هذا قياس دقيق وقابل للتحقق مما تتكون منه البنية التحتية للذكاء الاصطناعي.

أما الادعاء الأقوى -- وهو أن فرق الأمن يمكنها رؤية ثلث ما يعمل فقط -- فهو استنتاج من تلك النسبة، يستند إلى فرضية أن قوائم جرد النماذج هي ما تديره فرق الأمن فعلياً. يوضح المدير التقني (CTO) لشركة Snyk النسخة التشغيلية من ذلك صراحةً:

كل مسؤول أمني تحدثنا معه يمكنه إخبارنا بأي النماذج معتمدة. لكن تقريبًا لا أحد منهم يستطيع إخبارنا بما الذي يستدعي هذه النماذج فعليًا، أو ما هي البيانات التي يمكن لهذه الأنظمة الوصول إليها، أو ماذا يفعلون بصلاحيات الوصول التي مُنحت لهم.

-- Manoj Nair¹

هذا ادعاء حول الممارسة التنظيمية، مستمد من محادثات مع العملاء وليس من بيانات القياس عن بُعد (telemetry). قد يكون صحيحًا؛ لكنه نوع مختلف من الأدلة عن نسبة الـ 3x. فالمؤسسة التي تمتلك برنامج AI-BOM ناضجًا قد يكون لديها نفس نسبة المكونات 3:1 ولكن مع رؤية كاملة لكل ذلك. النسبة تصف الحالة الراهنة للبنية التحتية، وليس مدى القدرة على مراقبتها.

الترجمة العملية لا تزال مفيدة، ولا تعتمد على حل هذا التمييز: إذا كانت قائمة جرد الذكاء الاصطناعي لديك هي مجرد قائمة بالنماذج المعتمدة، فهي تصف تقريبًا ثلث المكونات المستخدمة. كل ما يستخدمه العميل (agent) للوصول إلى البيانات -- الإطار البرمجي (framework)، خادم MCP، المسترجع (retriever)، مخزن المتجهات (vector store) -- يقع خارج هذه القائمة. هذه هي نفس مشكلة الحصر التي تظهر في الهوية غير البشرية وإلغاء صلاحيات العميل، وهي نفسها التي تجعل الاحتواء ومفاتيح الإيقاف الفوري (kill switches) صعبة التصميم بعد فوات الأوان. لا يمكنك إلغاء أو إيقاف شيء لم يكن موجودًا في القائمة أصلًا.

نتائج تتبع الأصل هي الأقل قابلية للتأويل

من بين الأرقام التي اختارت Snyk نشرها، هناك رقم واحد يترك أقل مجال للجدال، وهو ليس الرقم الذي تم اقتباسه. فمن بين المؤسسات التي لديها نموذج واحد منشور على الأقل، 51% فقط صرحت عن أي مجموعة بيانات في مستودعاتها.¹ وقد خصصت Snyk لهذا الأمر قسمًا رئيسيًا في إصدارها -- "نصف المؤسسات التي تنشر النماذج لا تستطيع تتبع بياناتها الخاصة" -- لذا فهذه نتيجة تم الترويج لها وليست مدفونة؛ لقد خسرت ببساطة دورة الأخبار أمام نسبة الاعتماد. أما نسخة Help Net Security فتشير إلى أن حوالي نصف المؤسسات التي تستخدم نماذج الذكاء الاصطناعي "لم يكن من الممكن ربطها بمجموعات البيانات المستخدمة لتدريبها أو ضبطها بدقة".²

هذا التوصيف مهم، وSnyk توضحه صراحة: ما ينقص هو "رابط مرئي على مستوى الكود بين نموذج الإنتاج والبيانات التي دربته أو ضبطته بدقة".¹ غياب مجموعة بيانات مصرح بها في المستودع ليس دليلًا على أن المؤسسة لا تستطيع تتبع الأصل على الإطلاق -- فقد يكون السجل موجودًا في سجل النماذج (model registry)، أو كتالوج البيانات، أو وثائق المورد. لكن التصريح على مستوى الكود هو ما يمكن للفحص الآلي التحقق منه، وهو ما يمكن عرضه على المدقق بسرعة.

كما تشير Snyk إلى أن هذا النمط "ظل ثابتًا في كل منطقة قامت Snyk بقياسها، بما في ذلك الأسواق التي تمتلك تشريعات أكثر نضجًا خاصة بالذكاء الاصطناعي".¹ وهذا هو الجزء الأكثر إثارة للاهتمام. النضج التنظيمي لم يغير الرقم، مما يشير إلى أن الفجوة هي مشكلة في ممارسات الهندسة وليست مشكلة ضغوط امتثال. وكما صاغها Nair: "حتى المؤسسات التي تؤدي هذا العمل بشكل جيد لا تستطيع الإجابة على من أين جاء سلوك نموذجها فعليًا... هذه مشكلة تدقيق واستجابة للحوادث وامتثال تنتظر الوقوع".¹

بالنسبة لمطوري الوكلاء (agents) تحديداً، فإن تتبع الأصل (lineage) هو الفرق بين قول "أعطى الوكيل إجابة سيئة" و"نحن نعرف أي مجموعة بيانات (corpus) أنتجت هذه الإجابة السيئة". وتجعل سلسلة التوريد الأمر أكثر صعوبة: حيث يشير تقرير Help Net Security إلى أن 77.4% من حزم وأدوات AI جاءت من مصادر خارجية مقابل 22.6% تم بناؤها داخلياً،² ويصف إصدار Snyk بيئة AI "ثلاثة أرباعها تأتي بالكامل من خارج المؤسسة".¹

تغير مزيج النماذج تحت الوكلاء

هناك رقم واحد في الإصدار لا علاقة له بالرؤية (visibility) ويستحق إبرازه بمفرده. فبين فترتي التقريرين، ارتفعت حصة Anthropic من حالات ظهور النماذج في المؤسسات من 4% إلى 11%، بينما انخفضت حصة OpenAI من 44% إلى 35%.¹

تنبيهان قبل أن يبني أي شخص استنتاجاً على ذلك. هذه حصص من حالات ظهور النماذج في المستودعات التي تم فحصها، وليست إيرادات، ولا أعباء عمل، ولا توكنز (tokens)؛ فالحالة الواحدة هي مجرد إشارة في الكود، والإشارات غير مكلفة. كما تغيرت العينة بين المجلدات، من "500+" مؤسسة إلى "أكثر من 3,000" -- وكلا الرقمين يمثلان الحد الأدنى، لذا فإن التوسع يقارب ستة أضعاف، وتغيير بهذا الحجم يمكن أن يحرك رقم الحصة بمفرده.

بيانات التكوين المحيطة أكثر استقراراً. يشير Help Net Security إلى أن أكبر أربعة مزودين استحوذوا على حوالي 71% من حالات ظهور النماذج التي يمكن تحديدها، مع وجود النماذج المملوكة (proprietary models) بنسبة 63.8% من النماذج المنشورة مقابل 32.5% للنماذج مفتوحة المصدر.² النمط الموصوف هو استخدام النماذج المملوكة للاستنتاج والمهام الذاتية، والنماذج المفتوحة للتضمينات (embeddings) والاسترجاع -- وهو تقريباً ما يمكنك توقعه من اقتصاديات التكلفة لكل استدعاء، وهو اختبار منطقي معقول لمجموعة البيانات. ومن المثير للاهتمام أيضاً: أن ما يقرب من نصف الشركات التي تم تحليلها لم يكن لديها أي نماذج AI معلنة في مستودعاتها على الإطلاق، حيث تستخدم AI "من خلال خدمات وحزم وأدوات خارجية"، بينما أدارت 17.2% منها أساطيل نماذج ضخمة.²

أسبوع Black Hat حول اكتشاف الوكلاء إلى فئة منتجات

لم يصدر تقرير Snyk بمعزل عن غيره. فقد أقيم مؤتمر Black Hat USA 2026 في الفترة من 1 إلى 6 أغسطس في Mandalay Bay في لاس فيغاس، وهو برنامج استمر ستة أيام تضمن تدريبات من 1 إلى 4 أغسطس، ويوم قمة في 4 أغسطس، ومؤتمر رئيسي من الإيجازات (Briefings) استمر يومين لختام الأسبوع.⁷ وقد امتد ملخص الموردين في SecurityWeek إلى ثلاثة أجزاء على الأقل.⁸

عند قراءة الإعلانات مقابل فرضية Snyk، يظهر نمط معين: الاكتشاف (discovery) هو الفعل الأول في عدد لافت من هذه الإعلانات.

أمر مجاور ولكن ليس اكتشافاً للوكلاء: Kinetic Classification من AvePoint، الذي تم الإعلان عنه في نفس اليوم، يقوم بإعادة تقييم حساسية البيانات باستمرار عبر Microsoft 365 و Google Workspace بدلاً من جرد الوكلاء.⁸ إنه ينتمي إلى نفس موجة الحوكمة، وليس إلى نفس فئة المنتجات.

يعتبر منتج Drata هو الأقرب لسد الفجوة التي وصفتها Snyk. يصف إصدارها في 4 أغسطس منتجاً "مصمماً لمساعدة المؤسسات على اكتشاف ومراقبة وحوكمة وإثبات إمكانية تتبع وكلاء الذكاء الاصطناعي الذين يعملون داخل المؤسسة"، والذي "يُطرح أولاً وبشكل أعمق لـ Anthropic، مع وجود عملاء وصول مبكر يقومون بتشغيله بالفعل من البداية إلى النهاية في بيئة الإنتاج".⁹ وتجدر الإشارة إلى البنية التحتية بسبب موقعها: مستشعر جهاز، وطبقة قياس عن بُعد (telemetry)، ووكيل MCP "يقع في النقطة التي تمر من خلالها كل استدعاءات أدوات الوكيل ويقوم بتقييم كل طلب مقابل السياسة".⁹ وهذا رهان صريح على أن حدود MCP هي نقطة الاختناق الصحيحة لحوكمة الوكلاء.

لاحظ ما يعنيه "التوفر المحدود" هنا. هذا ليس توفراً عاماً؛ بل هو متاح لـ "المؤسسات المؤهلة التي تشغل وكلاء على Anthropic"، وتذكر Drata أن التغطية الأصلية لـ OpenAI و Google Vertex AI و AWS Bedrock "قيد التطوير النشط".⁹ إذا كان أسطولك يعتمد على مزودين متعددين، فإن المنتج لا يقوم حالياً بجرد معظمه.

كون "الاكتشاف" هو الفعل الأول لا يعني أنه الفعل الوحيد. تضع Drata نفسها صراحة في مواجهة الأدوات المقتصرة على الاكتشاف فقط، مجادلة بأن "معظم الأدوات المتاحة اليوم تتوقف عند الاكتشاف السطحي" بينما يتم "فرض سياساتها الخاصة بشكل مباشر بحيث يتم إيقاف أي إجراء مخالف قبل تنفيذه".⁹ هذا ادعاء تنافسي من مورد حول منافسيه ويجب قراءته على هذا النحو، ولكنه تحذير عادل ضد التعامل مع الجدول أعلاه كمجرد قائمة من لوحات التحكم.

يأتي إدخال Tanium في الاتجاه المعاكس ومن الجدير بذكره لتحقيق التوازن -- فقد أضافت منصة Atlas الخاصة بها خادم MCP يكشف بيانات Tanium لعملاء مثل Claude و Microsoft Security Copilot.⁸ في نفس الأسبوع الذي أطلق فيه الموردون أدوات لجرد خوادم MCP، أطلق مورد واحد على الأقل خادم MCP جديداً. السطح الذي تقيسه هذه المنتجات هو جزئياً سطح يستمر القطاع في الإضافة إليه.

رأس المال يتحرك أيضاً. في 29 يوليو 2026، أعلنت Onyx Security عن جولة تمويل من الفئة B بقيمة 113 مليون دولار بقيادة Bessemer Venture Partners، ليصل إجمالي تمويلها إلى 153 مليون دولار منذ تأسيسها قبل عامين؛ وأفادت SecurityWeek أن الجولة "وفقاً للتقارير" تقيم الشركة بنحو 640 مليون دولار، مع الإشارة إلى Calcalist كمصدر لهذا الرقم، وأشارت إلى أن Onyx لم تفصح رسمياً عن التقييم.¹⁰ يركز عرض Onyx الترويجي بدقة على هذه الفجوة: العثور على تطبيقات AI الخفية (shadow AI) وفرض ضمانات حماية في الوقت الفعلي. وكان طرح المستثمرين جريئاً كالعادة -- حيث وصفت هيلا زيجمان، الشريكة العامة في Cyberstarts، هذه الفئة بأنها "واحدة من الفئات الأمنية المحددة للعقد القادم"¹⁰ -- وهو أمر متوقع من مستثمر في الشركة، ويجب قراءته على هذا الأساس.

تحذير العينة الذي يشكل كل رقم هنا

كل رقم مذكور أعلاه يأتي من مجموعة بيانات واحدة ذات شكل محدد، وهذا الشكل موضح في منهجية Snyk الخاصة: المؤسسات التي تستخدم Snyk وقامت بمسح AI-BOM بنجاح بدءاً من مايو 2026.¹

هذه عينة ميسرة مضاعفة. هؤلاء هم عملاء أدوات أمنية، وتحديداً الفئة الفرعية التي اعتمدت مسح اكتشاف AI وأتمت المسح. كلا الفلترين يختاران مؤسسات أكثر نضجاً في مجال AI وأكثر نضجاً أمنياً من أي مؤسسة عشوائية. وسواء كان ذلك يرفع نسبة الاعتماد أو يخفضها، فإن الأمر غير واضح حقاً -- فالنضج الأكبر في AI يشير إلى اعتماد أعلى للوكلاء (agents)، والنضج الأمني الأكبر يشير إلى فجوات رؤية أصغر -- ولكن هذا يعني أن هذه ليست تقديرات سكانية شاملة.

تحمل مقارنة الحجم مقابل الحجم تحذيراً إضافياً، وهو الذي يجعل سؤال "تضاعف تقريباً" غير قابل للحل من الخارج. الحجم الأول هو n = 500+، تم سحبها من المتبنين الأوائل لمنتج Evo من Snyk؛ أما الحجم الثاني فهو 3,000+ حساب.¹³ إن مقارنة النسب المئوية عبر عينتين تختلفان بنحو ستة أضعاف في الحجم، وبالضرورة في التكوين، هي عملية أضعف من تتبع نفس المجموعة عبر فترتين زمنيتين. هذا لا يلغي قيمة البيانات -- فبيانات القياس عن بُعد (telemetry) لها مزايا حقيقية على الاستطلاعات، لأنها تقيس ما هو موجود فعلياً في المستودعات بدلاً من ما يعتقد المستجيب أنه موجود فيها. لكن هذا يعني أن الفوارق الزمنية لستة أشهر تستحق حذراً أكبر مما حصلت عليه.

إفصاح أخير، قدمته Snyk بنفسها بدلاً من إخفائه: يذكر الإصدار أن التوسع في البصمة، وتسارع الاعتماد، وفجوة الرؤية "هي الحلقات الثلاث التي بنت Snyk منصة Evo لإغلاقها".¹ الشركة التي تقيس المشكلة تبيع العلاج. هذا ليس سبباً لرفض البيانات -- بل هو سبب لقراءة الصياغة والقياسات بشكل منفصل.

توضح التغطية اللاحقة سبب أهمية ذلك. فقد كرر تحليل من Futurum Group للتقرير عبارة "تضاعف تقريباً" دون التحقق منها، ودعم حجته في الحوكمة برسوم بيانية من Futurum Research مؤرخة في يناير 2025 -- أي عمرها 19 شهراً عند النشر، مع عدم الإفصاح عن تاريخها في متن النص. كما يحمل هذا المقال تنبيهاً صريحاً بأنه "كُتب بواسطة نموذج لغوي كبير (LLM) تجاري عام... ولم يتم تنسيقه أو مراجعته من قبل محررين".¹¹ يمكن لرقم عنوان رئيسي من مورد أن ينتشر على نطاق واسع قبل أن يقوم أي شخص بإجراء عملية الضرب الحسابية.

ماذا تفعل إذا كنت تقوم بإطلاق وكلاء (agents)

الاستنتاج العملي لا يعتمد على أي نسبة اعتماد هي الصحيحة.

• قم بجرد فئات المكونات، وليس الموديلات فقط. قم بتعداد أطر عمل الوكلاء (agent frameworks)، وخوادم MCP، وأنظمة الاسترجاع، وقواعد بيانات المتجهات، ومجموعات البيانات كمدخلات أساسية. إذا كان سجل الذكاء الاصطناعي لديك يحتوي على عمود واحد فقط لأسماء الموديلات، فإن نسبة 3x الخاصة بـ Snyk تشير إلى أنك تصف حوالي ثلث البيئة التقنية فقط.
• صرح عن مجموعات البيانات في الكود. رقم 51% هو قياس على مستوى الكود. مرجع مجموعة البيانات الموجود في مستودع (repository) هو الأثر الذي يمكن لكل من المسح الآلي والمُدقق استهلاكه؛ أما سجل النسب (lineage record) في دفتر ملاحظات شخص ما فلا يعتبر كذلك.
• تعامل مع خوادم MCP كخروج للشبكة (network egress)، وليس كمجرد إعدادات. خادم MCP هو ما يحول الموديل إلى شيء يمكنه الوصول إلى بيانات المؤسسة. لذا يجب أن يخضع لنفس عملية المراجعة التي تخضع لها أي منظومة أخرى تمتلك بيانات اعتماد وصلاحيات وصول خارجية.
• دوّن المقام (denominator). أياً كانت إحصائية الاعتماد التي تستشهد بها داخلياً، سجل أي دراسة، وأي تاريخ، وأي مجموعة سكانية تم استهدافها. نصف الارتباك في هذه القصة ناتج عن مقامات غير متتبعة.
• اسأل أين يتم التنفيذ (enforcement)، وليس فقط ما إذا كان موجوداً. معظم الإطلاقات هذا الشهر تقوم بالاكتشاف والتنفيذ معاً، ولكن في نقاط مختلفة -- مستشعر نقطة نهاية، أو وكيل MCP، أو نسيج هوية (identity fabric). الاكتشاف يخبرك بما هو موجود؛ أما سؤال لوحة تحكم الوكلاء (agent control plane) فهو عن من يمكنه إيقاف هذا الوكيل، وفي أي نقطة اختناق، وفي الوقت الحالي.
• تحقق من مرحلة الإصدار، وليس الإعلان. تم شحن حوكمة الوكلاء من Drata كـ "توافر محدود" لـ Anthropic، بينما لا تزال التغطية لـ OpenAI و Google Vertex AI و AWS Bedrock "قيد التطوير النشط".⁹ طابق المرحلة الفعلية للمنتج مع مقدار اعتماد قصة التحكم الخاصة بك عليه.

الخلاصة

النتائج الدائمة من المجلد الثاني لـ Snyk هي تلك التي لا تحتاج إلى تفسير: حجم أصول الذكاء الاصطناعي أكبر بنحو ثلاث مرات من قائمة نماذجها، وحوالي نصف المؤسسات التي تنشر النماذج ليس لديها سجل على مستوى الكود لما درب النماذج التي تشغلها. كلاهما مستقر عبر كل منطقة قامت Snyk بقياسها، وكلاهما يصف فجوة حقيقية بين ما دونته الفرق وما يتم تنفيذه فعلياً. نسبة الـ 3x ليست جديدة حتى -- فقد نشرتها Snyk في يناير ولم تتغير.

العنوان الرئيسي المتعلق بالنمو هو النقطة الضعيفة، وليس لأن أحداً كذب. عبارة "تبني الوكلاء بكامل المكدس (Full-stack agentic adoption) تضاعف تقريباً" تترجم إلى 1.64 ضعفاً مقابل الرقم المبدئي الوارد في البيان الصحفي نفسه، و1.83 ضعفاً مقابل الرقم المبدئي في صفحة المجلد الأول لـ Snyk. كلا الرقمين صادران عن Snyk؛ والبيان لا يذكر أيهما استخدم، والتقرير الكامل مقيد بالوصول. هذا غموض غير مبرر في وثيقة موضوعها بالكامل هو تكلفة عدم معرفة ما تشير إليه أرقامك.

وهذا هو الدرس المفيد هنا، وهو ينطبق على ما هو أبعد من هذا التقرير الواحد. مشكلة الرؤية التي تصفها Snyk حقيقية، وتبدأ بمستوى يسبق أصول الذكاء الاصطناعي: وهو معرفة ما الذي يحصيه الرقم قبل تكراره. التحقق من ذلك لم يتطلب سوى عملية ضرب واحدة.