أسئلة.

تايمر يبني طبقة الذاكرة المؤسسية للذكاء الاصطناعي. فبدل إجبار الشركات وأنظمة الذكاء الاصطناعي على إعادة بناء السياق مرارًا، يوفّر تايمر ذاكرة مؤسسية دائمة خاضعة للحوكمة، تراكم المعرفة المؤسسية باستمرار عبر الأشخاص والبرمجيات ومسارات العمل والعمليات.

الشركات تفقد معرفتها كل يوم. القرارات المهمة تختفي، والسياق يتشتت، والأقسام تنفصل، والذكاء الاصطناعي يبدأ من الصفر مرارًا لأن الذاكرة المؤسسية غير موجودة كبنية تحتية. وتايمر يحل هذه المشكلة.

بلغت النماذج اللغوية الكبيرة قدرات تفكير استثنائية. ولم يعد العائق هو الذكاء، بل الذاكرة. وقد أدركت الشركات الآن أن الذكاء الاصطناعي لا يصبح تشغيليًا دون سياق باقٍ عن الشركة.

الذاكرة المؤسسية. ونحن نؤمن أن الذاكرة المؤسسية ستصبح فئة معترفًا بها في البنية التحتية للشركات، إلى جانب قواعد البيانات والبنية السحابية وإدارة الهوية.

الشركات تراكم المعرفة عبر عقود. وبلا ذاكرة، يعيد كل موظف وكل نظام ذكاء اصطناعي بناء معلومات موجودة أصلًا. الذاكرة تتراكم. والإنتاجية تتراكم. والميزة التنافسية تتراكم.

لا. مساعدو الذكاء الاصطناعي يصبحون أحد مستهلكي الذاكرة المؤسسية. وتايمر يوفّر الذاكرة نفسها.

لا. تايمر ليس نظام إدارة عملاء: أنظمة العملاء تدير العملاء، بينما يدير تايمر الذاكرة المؤسسية. ومعرفة العملاء مكوّن واحد فقط من ذكاء الشركة.

لا. تايمر ليس قاعدة معرفة: قواعد المعرفة تخزّن المستندات وتنتظر من يبحث، بينما يبني تايمر فهمًا للشركة يتطور باستمرار.

لا. تايمر ليس تطبيق إنتاجية: تطبيقات الإنتاجية تحسّن العمل، بينما يغيّر تايمر كيف تُحفظ معرفة الشركة نفسها وتُعاد الاستفادة منها.

لا. تايمر يجعل برمجيات الشركة أذكى بربطها عبر ذاكرة مؤسسية مشتركة.

تايمر بدأ ببحث لا ببرمجيات. فقد عرّف إطار الطبقة البشرية الذاكرة المؤسسية قبل أن يوجد المنتج. والمنتج ينفّذ البحث.

Not by asking people to write it down. Documentation drives, handover templates and exit interviews all fail the same way: they ask someone to articulate, in their final weeks, context they accumulated over years and no longer notice they hold. Institutional knowledge is captured reliably only when capture is a property of the system rather than a task assigned to a person, so that decisions, reasoning and context are recorded as work happens and remain reachable afterwards.

Treat it as an architecture problem rather than a human resources problem. A departure only destroys knowledge that existed in exactly one place. When decisions, commitments and their reasoning accumulate in organizational memory that the organization owns, a resignation removes a colleague rather than a capability, and the successor inherits the context instead of reconstructing it.

Institutional knowledge is what an organization collectively understands, held mostly in people. Organizational Memory is that same understanding held as infrastructure the organization owns. The first is a condition an organization happens to be in and loses gradually; the second is a layer it can build, govern and keep.

No.Its assumptions are. Knowledge management assumed that people would stop working to record what they knew, that the record would then be searched deliberately, and that documents were the unit of knowledge. Each assumption has failed in practice. What replaces it is not a better repository but a different layer: memory that accumulates automatically as work happens and is consumed by people and AI systems alike, without anyone being asked to file anything.

AI removes the search problem, not the memory problem. A model can summarize any document it is given, which makes retrieval feel solved, but it cannot supply the reasoning behind a decision that nobody recorded. AI raises the value of organizational memory rather than removing the need for it: without memory, every AI system in the organization starts from zero, however capable it is.

No, not in the sense organizations mean. A model holds two things: parameters fixed when training ended, and whatever text fits in its context window right now. The window is working attention, not memory: it is re-supplied on every request, it is paid for on every request, and it is discarded when the session ends. Anything the organization needs the model to know tomorrow has to live somewhere the model can be given it from.

No.A larger window lets a model consider more at once; it does not let an organization accumulate anything. The context is still rebuilt from scratch on every request and still disappears at the end of the session, so the cost rises with the window while the amnesia stays exactly the same. Memory is a question of architecture, not of window size.

Individually, yes; organizationally, no. Agent frameworks give each agent its own store of past interactions and retrieved facts. An organization running a dozen agents therefore ends up with a dozen partial, unreconciled and ungoverned memories, none of which it controls or can move. That is fragmentation presented as a memory solution. The alternative is one governed memory that every agent reads from and writes to.

Retrieval augmented generation is a technique for finding relevant text and placing it in a model's context window at query time. It answers the question of what to retrieve. Organizational Memory answers the prior question of what the organization knows and how that record is accumulated, governed and owned. Retrieval is one way to read from memory; it is not the memory, and an organization that has only retrieval still has no record of why anything was decided.

Only if something outside the model holds the record. Individual products increasingly remember within their own boundaries, which is why the same organization can have an AI system that knows a customer in one tool and has never heard of them in the next. Continuity across tools requires a memory layer beneath them that each system reads from and writes to, owned by the organization rather than by any one vendor.

In practice it is shared between risk, legal, data and engineering, and that division is usually where it fails. Each function owns a policy, a control or a system, and none owns the record of what actually happened. Governance holds when one accountable owner is responsible for the evidence that oversight occurred, not only for the policy stating that it should.

Because the policy is easy and the evidence is not. Writing that a human reviews high-impact recommendations takes an afternoon. Proving that a human did review one, saw what the system saw, and either agreed or overrode it, requires the recommendation, the context, the reviewer and the outcome to be recorded in a single chain as they happen. Most architectures scatter those four things across four systems, and the chain cannot be reassembled afterwards at any price.

A log records transactions: what the system did, and when. An AI audit trail records judgment: what was recommended, on what evidence, who reviewed it, what they changed, and what resulted. Regulated organizations are increasingly asked to evidence the second, and discover that they have only ever built the first.

For three separate reasons, and they do not stand or fall together. Legally, oversight that cannot be evidenced does not count as oversight. Operationally, an organization that cannot reconstruct the chain from recommendation to outcome cannot learn from its own decisions. Commercially, trust in an AI system tracks the ability to explain a specific decision after the fact, not general confidence in the model.

إطار الطبقة البشرية (Human Layer) سلسلة بحثية من خمس أوراق تطرح الذاكرة المؤسسية بوصفها طبقة بنية تحتية جديدة تصل الشركات بالذكاء الاصطناعي.

النشر أولًا يرسّخ الأفكار المعمارية مستقلةً عن المنتج. فالبحث يصنع مصداقية فكرية، والمنتج يقدّم تحققًا تجاريًا.

نعم. تايمر هو أول تطبيق تجاري لإطار الطبقة البشرية.

اشتراكات للشركات، وتراخيص للمستخدمين، وعمليات ذكاء اصطناعي، وأنظمة تشغيل خاصة بالقطاعات، وخدمات بنية تحتية مستقبلية للشركات.

الشركات كثيفة المعرفة: الخدمات المهنية، وشركات التقنية، والعقارات، والمالية، والقانون، والرعاية الصحية، والقطاع الحكومي. وفي النهاية كل شركة تعتمد على المعرفة.

تعقيد الشركات الكبرى يخلق أقوى طلب على الذاكرة المؤسسية. والبنية التحتية تبدأ طبيعيًا حيث التعقيد أعلى.

لأن الذاكرة المؤسسية بنية تحتية للشركات. وجودة التطبيق أهم من العدد في المراحل الأولى.

من اليوم الأول. يقرأ تايمر التاريخ الموجود أصلًا في الأدوات التي تربطها، فتكون الذاكرة ممتلئة قبل أن يغيّر أحد طريقة عمله. إجابات نافعة خلال ثلاثين يومًا لا خلال ربع سنة.

لا. يعمل إلى الوراء على ما هو موجود أصلًا في الأدوات التي تربطها، ولذلك يستطيع الإجابة عن أمور حدثت قبل أن تمتلكه.

لا. يقرأ تايمر الأدوات التي يستعملها فريقك أصلًا. لا ترحيل ولا وسم ولا تصنيفات تحتاج صيانة.

هما يفهرسان المستندات لتجدها من جديد. وتايمر يقرأ المستندات نفسها ويجيب لماذا وُجد المستند، وما الذي تقرر فيه، ومن وافق عليه، وكم يزن اليوم. الاسترجاع يتوقف عند الملف، ومن هناك تبدأ الذاكرة.

لا. يقرأ تايمر الأدوات التي تستعملها أصلًا، فلا شيء مضطر للانتقال في اليوم الأول. وحين تريد الانتقال، فإن Timer Stack طبقة أصلية كاملة للعمل: مستندات وجداول ونماذج وتوقيعات ومسارات ومشاريع ورسائل ومهام، كلها على الذاكرة نفسها. أبقِ أدواتك، أو انتقل إلى أدواتنا، أو شغّل الاثنين معًا.

كل معلومة تحمل الفترة التي كانت فيها صحيحة في الواقع، وتُرتّب المعلومات بحسب حجية مصدرها، فالمستند الموقّع يعلو على كلام قيل في محادثة. وحين تتعارض معلومتان يُفصل بينهما ولا يؤخذ متوسطهما: واحدة تُقدَّم بوصفها الحالية، والبقية تُعلَّم بأنها متجاوَزة، وتظل الإجابة تخبرك بأن المسألة كانت محل خلاف. وكل تغيير مسجَّل، فيمكن قراءة الذاكرة كما كانت في أي تاريخ سابق.

تحميل التاريخ بطيء عن قصد. يُجلب النشاط الحالي قبل التاريخ، وتعمل كل جولة ضمن ميزانية زمنية وإيقاع لكل حساب لا عند سقف المزوّد، ومدى الرجوع وتواتر التشغيل قابلان للضبط لكل اتصال. والاتصال الذي يبدأ بالفشل يُعاد محاولته على فترات متباعدة حتى حدّ أقصى، ويخبرك تايمر حين يحتاج أحدها إعادة ربط بدل أن يوقف بياناتك بصمت.

كل مؤسسة نستقبلها شخصيًا بدل إلقائها في مسار تسجيل. هذا نموذج استقبال مقصود، لا قائمة انتظار.

في البداية من أجل تشغيل أفضل: وضوح أكبر، وذكاء اصطناعي أفضل، وعمل مكرر أقل. وفي النهاية من أجل استمرارية الشركة. نقطة الألم الأولى تبيع المنتج، والذاكرة المؤسسية تُبقي العملاء.

لأن الذاكرة تتراكم. ففي كل شهر تصبح الشركة أذكى. والمغادرة تعني التخلي عن ذكاء متراكم.

بدأ الإطلاق التجاري لتايمر في يناير 2026، ونما من شركة واحدة مشتركة عبر طرح بالدعوة فقط.

تايمر متاح بالدعوة فقط، بشركات مشتركة تدفع فعلًا وإيرادات متكررة تنمو. نهيّئ كل شركة بأنفسنا، لأن جودة التطبيق أهم من عددها في المراحل الأولى.

لأن الذاكرة المؤسسية بنية تحتية للشركات. وجودة التطبيق أهم من العدد في المراحل الأولى، وكل شركة تُهيَّأ شخصيًا.

لا يوجد منافس مباشر واحد. تايمر ينافس عبر فئات عدة في وقت واحد: برمجيات الشركات، والذكاء الاصطناعي للشركات، وأنظمة المعرفة، وبنية الذاكرة الناشئة. كل منها يحل جزءًا من المشكلة، ولا واحد يحل الذاكرة المؤسسية بوصفها بنية تحتية.

‏Microsoft تملك الإنتاجية. وتايمر يبني الذاكرة المؤسسية. وهاتان مسؤوليتان معماريتان مختلفتان: المنصات الكبرى تحسّن أنظمتها القائمة، بينما يصنع تايمر طبقة تجريد جديدة تحتها.

‏OpenAI تبني النماذج. وتايمر يبني الذاكرة. النماذج تفكّر، والشركات تتذكر. وينبغي أن تملك الشركة معرفتها مستقلةً عن أي مزوّد نماذج: النماذج تتبدل، والذاكرة تبقى.

الشركات الكبرى القائمة تحسّن فئات منتجات قائمة. أما تايمر فيعرّف تجريدًا جديدًا في البنية التحتية. وإن نجحت الذاكرة المؤسسية، فالأرجح أن يتكامل الكبار أو يشاركوا أو يستحوذوا، لا أن يخترعوا الفئة بأنفسهم.