بينما تعد ثورة الذكاء الاصطناعي بإنتاجية غير مسبوقة، تواجه الشركات الكبرى عائقاً هائلاً: فهي لا تستطيع دمج النماذج المتطورة في البيئات القديمة والفوضوية. تحاول شركة ناشئة جديدة تُدعى June حل أزمة النشر هذه باستخدام الذكاء الاصطناعي لأتمتة العمليات التي تتطلب حالياً جيوشاً من المستشارين باهظي الثمن.
مفارقة تنفيذ الذكاء الاصطناعي
مع زيادة قدرات نماذج الذكاء الاصطناعي، يزداد الطلب فعلياً على الخدمات المهنية اليدوية. تقوم الشركات بتعيين "مهندسين ميدانيين" (Forward-Deployed Engineers - FDEs) — وهي فرق تندمج داخل المؤسسة لربط نماذج الذكاء الاصطناعي الخام بالبنية التحتية الحالية للشركة يدوياً.
تقول Efrat Rapoport، وهي مسؤولة تنفيذية سابقة في Salesforce، إن توظيف المزيد من الأشخاص لإدارة التعقيد أمر غير مستدام. هذا النهج اليدوي يخلق عنق زجاجة يمنع حتى أقوى نماذج اللغة الكبيرة (LLMs) من تقديم قيمة حقيقية لشركات Fortune 500.
حل فوضى البيانات القديمة
العائق الأكبر ليس ذكاء النموذج، بل هو "الفوضى الكامنة تحته". تعمل الشركات الكبرى عبر مزيج من المنصات — مثل Salesforce وServiceNow وDatabricks وWorkday — المثقلة بالديون التقنية، والحقول المكررة، وسير العمل غير المتسق.
تقوم منصة June بمسح أنظمة الشركة، وتتعلم عملياتها الفريدة، وتنشئ تلقائياً خارطة طريق للنشر خطوة بخطوة. وبدلاً من قيام المهندسين المعماريين البشريين برسم خرائط التكامل، تحدد June نقاط الاختناق، وتطلب من المستخدمين تنظيف البيانات المكررة أو ربط المصادر، ثم تبني التكامل تلقائياً.
تجاوز "الصندوق الأسود" للاستشارات
تستبدل June النموذج اليدوي عالي التكلفة وعالي الاحتكاك بأداة ذاتية الخدمة. بالنسبة لشركة CMG، وهي مقرض رهن عقاري رئيسي في الولايات المتحدة، كان الفرق تحولياً. فبعد المعاناة مع Claude Code وSalesforce من خلال الاستشارات التقليدية، سمحت June لفريقهم بتحديد نقاط النشر والمضي قدماً دون مواجهة أسابيع من العقبات.
من خلال أتمتة "الأعمال الأساسية" (plumbing) — مثل تنظيف البيانات، ورسم الخرائط، وتحسين سير العمل — تتيح June للشركات الانتقال من "البرمجة القائمة على الحدس" (vibe-coding) التجريبية إلى عمليات قابلة للتوسع ومدعومة بالوكلاء (agent-powered) دون الحاجة إلى عدد هائل من المهندسين المتخصصين.
لماذا يهم هذا مشهد الذكاء الاصطناعي
لن يتم الحكم على الموجة القادمة من الذكاء الاصطناعي من خلال عدد المعلمات (parameters)، بل من خلال من يمكنه دمج النماذج في المحرك الاقتصادي الحالي. إذا نجحت June، فقد ينتقل القطاع من نموذج يعتمد بكثافة على الخدمات إلى نموذج يعتمد على البرمجيات، مما يقلل من حواجز أتمتة الشركات ويسرع عصر "سير العمل القائم على الوكلاء" (Agentic Workflow).
النقاط الرئيسية
- أتمتة التكامل: تقوم June بمسح ورسم خرائط الأنظمة القديمة المعقدة، ثم تقدم خارطة طريق مؤتمتة لإصلاح تشتت البيانات والديون التقنية.
- تقليل التكاليف البشرية الإضافية: تستبدل المنصة المهندسين الميدانيين (Forward-Deployed Engineers) المكلفين بنموذج نشر ذاتي الخدمة يعتمد على "البناء بنقرة واحدة".
- مدعومة من عمالقة الصناعة: تم بناء June بواسطة الفريق الذي يقف وراء Bonobo AI، وقد حصلت على 20 مليون دولار في تمويل مرحلة ما قبل التأسيس (pre-seed) بقيادة Time Ventures التابعة لـ Marc Benioff.
كشفت June عن منصة مدعومة بالذكاء الاصطناعي تدمج نماذج اللغة الكبيرة (LLMs) تلقائياً في أنظمة الشركات القديمة، زاعمةً القضاء على الحاجة إلى فرق هندسية ميدانية مكلفة.
عنق زجاجة التكامل
أمضت الشركات العام الماضي في شراء نماذج لغة كبيرة (LLMs) أكثر قوة، ومع ذلك لا يزال معظمها يتعثر عند العقبة الأولى: ربط تلك النماذج بمزيج من التطبيقات المحلية والسحابية. الحل التقليدي هو تعيين فريق من المهندسين الميدانيين (FDE squad) — وهم مستشارون يندمجون داخل الشركة، ويرسمون تدفقات البيانات يدوياً، ويكتبون "أكواد الربط" (glue code).
تصف Efrat Rapoport هذا النهج بأنه "غير مستدام". فزيادة عدد الموظفين لا تزيل الحقول المكررة، والجداول القديمة، وسير العمل المنعزل؛ بل تؤجل فقط عنق الزجاجة الحتمي. المفارقة واضحة: مع زيادة قدرات نماذج الذكاء الاصطناعي، يزداد الطلب على خدمات التنفيذ اليدوية ولا ينخفض.
كيف تعمل منصة June
تقلب June الموازين. فبدلاً من إرسال المهندسين لتدقيق بيئة العميل، تقوم المنصة بنشر ذكائها الاصطناعي الخاص لمسح البنية التكنولوجية الحالية — مثل Salesforce أو ServiceNow أو Databricks أو Workday أو نظام ERP مخصص. ينتج عن المسح خريطة مفصلة لمخططات البيانات (data schemas)، ونقاط نهاية واجهة برمجة التطبيقات (API endpoints)، ومحفزات سير العمل (workflow triggers). ومن خلال تلك الخريطة، تحدد June تلقائياً ما يلي:
- حقول البيانات الزائدة أو اليتيمة التي تعيق تدريب النماذج
- عقود API غير المتوافقة التي قد تسبب أخطاء أثناء التشغيل
- فجوات سير العمل حيث يمكن للوكيل المدفوع بنماذج اللغة الكبيرة (LLM-driven agent) إضافة قيمة
The platform then generates a remediation plan, prompting the user to approve clean-up actions such as de-duplicating tables or establishing secure data pipelines. Once approved, the same AI engine executes the changes, builds the connectors, and deploys the LLM as a managed service.
In practice, the workflow replaces a multi-week consulting engagement with a "build-on-click" experience. Internal teams can iterate on integrations without waiting for external engineers.
A real-world test case
CMG, a major U.S. mortgage lender, struggled to connect Claude Code—a conversational AI tool—to its Salesforce instance. Traditional architectural consulting forced the firm into a series of back-and-forth meetings, each adding weeks of delay. After switching to June’s platform, CMG’s staff pinpointed exact integration points, ran the automated cleanup, and launched the LLM in days rather than weeks. The result: a functional agent that answers underwriting queries without an external FDE crew.
What’s at stake
The approach assumes an AI can reliably understand a company’s data-governance policies, security constraints, and regulatory requirements. A mis-configured connector could expose sensitive customer information or trigger downstream failures. Critics warn that fully automated integration may still need a human safety net, especially in heavily regulated sectors like finance or healthcare.
Industry ripple effects
June emerged from the team that built Bonobo AI and has already secured $20 million in pre-seed funding led by Marc Benioff’s Time Ventures. The backing signals investor confidence that the next wave of AI value will come from software that lowers deployment friction, not from ever larger model sizes.
Counter-point: the human factor
Automation does not erase all complexity. Legacy systems often carry undocumented customizations, and some integration points involve legacy code that cannot be rewritten without risking stability. June’s platform may accelerate the "plumbing" phase, but enterprises will still need domain experts to validate that automated fixes align with business rules and compliance mandates.
What to watch next
- Adoption metrics: Early churn and the speed at which new firms move from pilot to production will reveal whether automation truly replaces human engineers.
- Regulatory response: As AI embeds in core business functions, regulators may issue guidelines on automated integration, especially regarding data privacy.
- Competitive landscape: Other startups and established vendors are racing to bundle AI deployment tools with their cloud platforms. How June differentiates its scanning and remediation engine will be critical.
- Pricing transparency: Comparing platform costs with traditional consulting fees will determine its appeal to cost-conscious CFOs.
June’s claim to automate the messy, legacy-laden world of enterprise AI deployment is bold, and the initial results at CMG suggest the technology can cut weeks of work down to days. Whether the model can consistently handle the edge cases that keep consulting firms in business will decide if the AI integration market truly pivots from people-heavy to software-heavy. The next few quarters will tell if "build-on-click" becomes the new standard for turning LLMs into revenue-generating agents.