وضعت Yelp نموذج GPT-Live-1 خلف مليون مكالمة إلى مطاعم — وترفض الإفصاح عما اشترته

تقول Yelp إنها تعاملت مع أكثر من مليون مكالمة مطعم عبر Yelp Host منذ أكتوبر 2025، وإنه اعتبارًا من 10 سبتمبر 2026 تعمل تلك المكالمات على GPT-Live-1، نموذج الصوت ثنائي الاتجاه الكامل من Open​AI. ويضع الإعلان نفسه GPT-Live-1 داخل Hatch، منصة الاتصالات المدعومة بالذكاء الاصطناعي من Yelp للشركات الخدمية، والتي تصفها الشركة بأنها تدير عشرات الملايين من العملاء المحتملين عبر الصوت والرسائل النصية والبريد الإلكتروني والويب. هذا أكبر نشر إنتاجي لنموذج كلام ثنائي الاتجاه الكامل يعلن عنه أي أحد — وقد وصل مغلفًا بأقل بيان صحفي مزوَّد بالأرقام كان بإمكان Yelp كتابته. تذكر Yelp أن التعامل مع المكالمات تحسّن وأن تحويلات المكالمات انخفضت. لكنها لا تقول بمقدار ذلك، ولا على كم مكالمة، ولا كم كلف أي من ذلك.

كلا الحقيقتين مهمتان. النشر دليل حقيقي على أن نموذجًا يستمع بينما يتحدث يصمد عند التلامس مع حركة المكالمات الهاتفية الفعلية، وهو ما يتجاوز قدرة أي اختبار مرجعي على إثباته. الصمت دليل حقيقي على أن أرقام المورّد نفسه لم تكن مُرضية بما يكفي لنشرها — أو أن التزامات Yelp بالإفصاح للمستثمرين أضيق من شهيتها التسويقية.

ما طرحته Yelp فعليًا

المعمارية هي الجزء الجدير بالفهم، لأنها ليست نموذجًا صوتيًا من Yelp. إن GPT-Live-1 هو طبقة الصوت الأمامية: فهو ما يتحدث إليه المتصل، وهو ما يقرر متى يستمر في الاستماع، ومتى يأخذ الدور، ومتى يتنازل عنه. وتحته تقع بيانات الأعمال الخاصة بـ Yelp وما تسميه الشركة ذكاءً مُصممًا لغرض محدد — ساعات عمل المطعم، وتوافر الحجوزات فيه، وقائمة الطعام، وعروضه الخاصة، ومناطق الجلوس فيه، والحالة الراهنة لنظام الحجز.

هذا الفصل هو المنتج بأكمله. لا يعرف GPT-Live-1 ما إذا كانت هناك طاولة لأربعة أشخاص عند الساعة 7:30 مساءً يوم جمعة. إنه يعرف كيف يخوض المحادثة التي تكشف ذلك. مهمة النموذج هي أن يجعل هذا التبادل يبدو وكأنه مكالمة هاتفية لا شجرة قوائم؛ ومهمة Yelp هي أن يجعل الإجابة صحيحة.

إن ادعاءات Yelp السلوكية المعلنة محددة في نوعها، غامضة في درجتها. يمكن للمتصلين أن يقاطعوا، أو يغيّروا الموضوع في منتصف الجملة، أو يتحدثوا فوق ضجيج الخلفية، ويتكيّف النموذج مع ذلك. يكتشف النظام نبرة المتصل — الحماس، الإحباط، نفاد الصبر — ويستجيب وفقًا لذلك. إن وضع تحسينات Yelp اللغوية فوق GPT-Live-1 يتيح له اكتشاف المتصلين والرد عليهم بأي لغة تقريبًا، وهو ما يعالج مشكلة حقيقية تواجه المطاعم: فالمكالمة الفائتة لأن لا أحد في المناوبة يتحدث لغة المتصل تعني حجزًا ضائعًا، لا تجربة سيئة.

الادعاءان التشغيليان هما اللذان قد يدفع مشغّل مطعم مقابلهما فعلاً. تقول Yelp إن المتصلين الآن يتحدثون بجُمل كاملة وطبيعية بدلاً من أوامر صوتية قصيرة، وإن دقة النسخ بعد المكالمة تحسّنت، ما يمنح المشغّلين سجلات أنظف. الأول مؤشر رائد على أن الناس توقفوا عن التعامل مع الوكيل كآلة يُلتفّ حولها بالكلام. والثاني هو ذو القيمة المتراكمة، لأن ناتج خط الحجوزات ليس مجرد حجز — بل هو سجل، والسجل الذي لا يستطيع أحد قراءته هو سجل لا يستطيع أحد التصرف بناءً عليه.

قال أخيل كودوفالي راميش الشيء المفيد.

أدلى مدير المنتجات الرئيسي في Yelp بالتصريح المعتاد — كل مكالمة تصبح أكثر حوارية وتجاوباً، وتجارب استثنائية للضيوف، والموظفون متفرغون لخدمة الضيوف بدلاً من الرد على الهاتف — ثم جملة واحدة تساوي أكثر من بقية البيان. قال إن Yelp Host يقتنص "فرص إيرادات ربما كانوا سيفوتونها لولا ذلك".

هذا هو التأطير الصادق للوكلاء الصوتيين في قطاع الضيافة، وهو ادعاء مختلف عن خطاب استبدال العمالة المعتاد. لا يشتري المطعم مضيفًا بالذكاء الاصطناعي ليسرّح مضيفًا بشريًا. بل يشتريه لأن الهاتف يرن أثناء الخدمة، ولا أحد يستطيع الرد عليه، فيحجز المتصل في مكان آخر. ومليون مكالمة تعامل معها Yelp Host منذ أكتوبر 2025 هي المقام في تلك الحجة — وقد امتنعت Yelp عمدًا عن تقديم البسط، أي عدد تلك المكالمات التي تحولت إلى حجوزات أو طلبات.

صاغت تيري يو، قائدة المنتجات متعددة الوسائط في Open​AI، النشر نفسه من زاوية معاكسة، إذ وصفت عملاء يستخدمون GPT-Live-1 في كل شيء بدءًا من مكالمات الحجوزات إلى جدولة الإصلاحات. كلتا القراءتين صحيحتان. تبيع Yelp الجانب الرأسي؛ بينما تبيع Open​AI الجانب الأفقي.

الاقتصاد الذي لم يضعه أحد في البيان

يكلّف GPT-Live-1 مبلغ 0.05 دولار لكل دقيقة من الصوت، ويُحتسب حسب الثانية، وقد أُتيح النموذج للمطورين في 10 سبتمبر 2026 — وهو اليوم نفسه الذي صدر فيه إعلان Yelp. طبقة الصوت هي الشيء الوحيد الذي يغطيه هذا السعر. وتوضّح وثائق OpenAI صراحةً أن استدعاءات الخلفية التي تُجرى بالنيابة عن النموذج، بما في ذلك الاستدلال واستخدام الأدوات الذي يفوّضه إلى نموذج آخر، تُحتسب بأسعار ذلك النموذج المعتادة.

قارن ذلك بأرقام Yelp. مكالمة حجز مطعم قصيرة — دقيقتان، وأحيانًا أقل. مليون مكالمة بمعدل دقيقتين لكل مكالمة تعني تقريبًا مليوني دقيقة صوتية، أو نحو 100,000 دولار من الإنفاق على طبقة الصوت عبر كامل تاريخ المنتج. هذا خطأ تقريب بالنسبة لـ Yelp، وهو بيت القصيد: عند 0.05 دولار للدقيقة، ليست طبقة الصوت الجزء المكلف في النظام. الأجزاء المكلفة هي الاستدلال وراء كل دور، والاتصالات الهاتفية، والتكامل مع دفتر حجوزات كل مطعم، والبشر الذين يتعاملون مع ما لا يستطيع الوكيل التعامل معه.

وهذا يعني أيضًا أن السعر لكل دقيقة هو الرقم الخاطئ للتفاوض بشأنه. وكيل صوتي يجيب في دور واحد لأنه فوّض المهمة بشكل صحيح يكلّف أقل من وكيل يتخبّط لتسعين ثانية، رغم أن كليهما يُحاسَب عليه بالثانية. وادّعاء Yelp بأن التحويلات تراجعت هو، رغم غموضه، ادّعاء يتعلق بالتكلفة.

المنطق الكامن خلف الصوت هو استدعاء نموذج عادي، وهذه الطبقة هي حيث يكون نشر مثل هذا قابلاً للضبط فعلياً. حوالي 190 نموذجاً من أحد عشر مزوّداً في المنبع توجد خلف مفتاح OrcaRouter واحد بسعر قائمة المزوّد دون أي هامش ربح، مع تجاوز فشل تلقائي عندما يحدث خطأ في نظام خلفي أو تنتهي مهلته — لذا يمكن استبدال النموذج الذي يقوم بمنطق الحجز على نمط Yelp أو اختباره A/B مقابل حركة مكالمات حية بتغيير قيمة إعداد واحدة بدلاً من إعادة بناء التكامل. هنا يكمن كل من المال والجودة؛ دقائق الطبقة الصوتية المحسوبة ثابتة نسبياً.

البيانات هي الخندق، وليس النموذج

يمكن لأي منافس أن يشتري GPT-Live-1 غدًا. وتقع Toast وSquare وClover وServiceTitan وHousecall Pro جميعها على مقربة كافية من العملاء أنفسهم، وتعمل Goog​le وAlexa+ من Amazon على المشكلة نفسها من جانب المستهلك. ولا شيء في وضع Yelp يعتمد على وصول حصري إلى النموذج، كما أن صياغة Yelp نفسها — بيانات أعمال مملوكة إلى جانب ذكاء مُصمم لغرض محدد، مع GPT-Live-1 بوصفه الطبقة التي تتحدث — تُقرّ بذلك.

ما تملكه Yelp هو مخطط الحجوزات: أي المطاعم لديها طاولات، ومتى، وكم عددها، ونية المستهلك المتراكمة خلف مليون مكالمة. النموذج القابل للمقاطعة هو شرط أساسي لجمع تلك البيانات على نطاق واسع، لأن الوكيل القائم على الأدوار ينتج مكالمات أقصر، ومكالمات مقطوعة أكثر، ونصوص مكالمات أكثر اتساخاً. لهذا السبب تهم عملية النشر حتى مع حجب الأرقام. الازدواج الكامل ليس تجربة مستخدم أفضل في هذا السياق؛ بل هو آلية جمع البيانات.

ماذا تشاهد

ثلاثة أمور ستحوّل هذا من قصة نشر موثوقة إلى قصة قابلة للقياس. مكالمة أرباح Yelp التالية، إذا وضعت الإدارة رقمًا لمعدل تجنّب المكالمات أو تحويل الحجوزات. قطاع رأسي ثانٍ يعلن التكامل نفسه، ما سيُظهر ما إذا كان الصوت ثنائي الاتجاه الكامل ترقيةً عامة الأغراض أم خاصة بالضيافة. وأول تقييم مستقل لـ GPT-Live-1 على لوحة تقيّم الاستدلال بدلًا من آليات المحادثة — يضعه مؤشر Artificial Analysis Speech to Speech Index حاليًا عند 70.3%، بمستوى GPT-Live-1 mini وبالمركز السادس مناصفةً على لوحة من أربعة عشر نموذجًا، خلف Grok Voice Think Fast 2.0 High عند 79.0% وGPT-Realtime-2.1 High عند 73.9%. إن بنية Yelp نفسها رهان ضمني على أن طبقة الصوت وطبقة الاستدلال ينبغي الحكم عليهما بشكل منفصل. والتقييم المستقل، حتى الآن، يتفق مع النصف الثاني من ذلك الرهان وليس الأول.

حتى تنشر Yelp ما الذي تغيّر، فإننا نحن الباقين نقرأ إعلان نشر يتعلق بمعماريتها لا بنتائجها. لكن ذلك ما يزال يستحق الفعل، لأن المعمارية هي الجزء الذي يمكن للفرق الأخرى أن تنسخه هذا الربع.