21 أكتوبر 2025·7 دقيقة
كيف تعيد أدوات الذكاء الاصطناعي تشكيل اقتصاديات الشركات الناشئة والمنافسة
تخفض أدوات الذكاء الاصطناعي الحديثة تكلفة بناء وتسويق ودعم المنتجات—مما يخفض حواجز الدخول لكنه يكثف المنافسة. تعلّم كيف تتكيف.
تخفض أدوات الذكاء الاصطناعي الحديثة تكلفة بناء وتسويق ودعم المنتجات—مما يخفض حواجز الدخول لكنه يكثف المنافسة. تعلّم كيف تتكيف.
أدوات الذكاء الاصطناعي تغير هيكل تكلفة بناء ونمو الشركة. التغيير البارز بسيط: العديد من المهام التي كانت تتطلب خبراء أو وكالات يمكن إنجازها الآن أسرع وبثمن أقل.
الأثر الثانيي أقل وضوحًا: عندما يصبح التنفيذ أسهل، تزداد المنافسة لأن فرقًا أكثر قادرة على إطلاق منتجات متشابهة.
يقلل الذكاء الاصطناعي الحديث تكلفة تطوير المنتج عن طريق تقصير "الوقت إلى النسخة الأولى". تستطيع فرق صغيرة صياغة النصوص، توليد النماذج الأولية، كتابة أكواد بسيطة، تحليل ملاحظات العملاء، وإعداد مواد مبيعات في أيام بدلًا من أسابيع. هذه السرعة مهمة: ساعات أقل تعني نقودًا أقل لازمة للوصول إلى MVP، تشغيل تجارب، والتكرار.
في نفس الوقت، توسع منصات بدون كود + أتمتة بالذكاء الاصطناعي من إمكانية من يبني. مؤسسون ذوو خلفيات تقنية محدودة يمكنهم التحقق من الأفكار، تجميع سير العمل، وإطلاق منتجات محدودة النطاق. تنخفض حواجز الدخول، ويزدحم السوق.
عندما تستطيع فرق كثيرة إنتاج نسخة جيدة من نفس الفكرة، يتحول التمييز من "هل يمكنك بناؤها؟" إلى "هل يمكنك الفوز بالتوزيع، بالثقة، والتعلم القابل للتكرار؟" تصبح الأفضلية لفرق تفهم شريحة العميل بعمق، وتجري تجارب أفضل، وتتحسن أسرع من المقلدين.
يركز هذا المنشور على الشركات الناشئة في مراحلها المبكرة والفرق الصغيرة (حوالي 1–20 شخصًا). سنركز على الاقتصاديات العملية: ما الذي يتغير في الإنفاق، عدد الموظفين، والسرعة.
يساعد الذكاء الاصطناعي أكثر في الأعمال المتكررة، الثقيلة نصيًا، والمعتمدة على أنماط: الصياغة، التلخيص، التحليل، الكود الأساسي، والأتمتة. يساعد أقل في استراتيجية المنتج غير الواضحة، بناء العلامة، الامتثال المعقد، والخبرة العميقة في المجال—مناطق تكون الأخطاء فيها مكلفة.
سنتناول كيف تعيد المنافسة المدفوعة بالذكاء الاصطناعي تشكيل تكاليف البناء ودورات التكرار، الانطلاق إلى السوق مع الذكاء الاصطناعي (أرخص لكن أكثر ضوضاءً)، دعم العملاء والتفعيل، أتمتة عمليات الشركات الناشئة، التوظيف وحجم الفريق، ديناميكيات التمويل، استراتيجيات التحصين، والمخاطر المتعلقة بالامتثال والثقة.
أدوات الذكاء الاصطناعي تقلل عبء "البناء" الابتدائي للشركات الناشئة، لكنها لا تجعل كل شيء أرخص ببساطة. بل تغير أين تنفق وكيف تتدرج التكاليف مع النمو.
قبل الذكاء الاصطناعي، كانت العديد من التكاليف الثابتة مرتبطة بالخبراء النادرين: وقت مهندسين كبار، التصميم، ضمان الجودة، التحليلات، كتابة النصوص، وإعداد الدعم. جزء مهم من الإنفاق المبكر كان "دفع الخبراء لاختراع العملية".
بعد الذكاء الاصطناعي، يصبح الكثير من ذلك العمل شبه ثابت وقابل للتكرار. ينخفض الحد الأدنى المطلوب لإطلاق منتج مقبول، لكن التكاليف المتغيرة قد ترتفع مع زيادة الاستخدام (أدوات، حوسبة، ومراجعة بشرية لكل إخراج).
يجعل الذكاء الاصطناعي "العمل الحرفي" عبارة عن سير عمل: توليد متغيرات واجهة المستخدم، صياغة الوثائق، كتابة حالات الاختبار، تحليل موضوعات الملاحظات، وإنتاج مواد تسويقية من قوالب. تنتقل الأفضلية التنافسية من وجود متخصص نادر إلى وجود:
هذه أيضًا المنطقة التي يمكن أن تغير فيها منصات "vibe-coding" اقتصاديات المرحلة المبكرة: بدلاً من تجميع سلسلة أدوات كاملة وتوظيف كل وظيفة مقدمًا، يمكن للفرق التكرار عبر سير عمل مدفوع بالمحادثة، ثم التحقق والتحسين. على سبيل المثال، Koder.ai مبنية حول هذا الأسلوب من التطوير—تحويل مواصفات محادثية إلى تطبيق React على الويب، خلفية Go، وقاعدة بيانات PostgreSQL—مع ميزات مثل وضع التخطيط واللقطات/الاسترجاع التي تساعد على منع السرعة من التحول إلى فوضى.
انخفاض تكلفة البناء لا يعني بالضرورة انخفاض التكلفة الإجمالية. بنود جديدة شائعة تشمل اشتراكات الأدوات، رسوم استخدام النماذج، جمع/ووسم البيانات، المراقبة للأخطاء أو الانجراف، ووقت ضمان الجودة للتحقق من المخرجات. تضيف العديد من الفرق أيضًا مراجعات امتثال مبكرة أكثر مما كانت تفعل سابقًا.
إذا كان المنافسون قادرين على نسخ الميزات بسرعة، يتحول التمايز من "بنيناها" إلى "يمكننا بيعها، ودعمها، وتحسينها أسرع". يزداد ضغط الأسعار عندما تصبح الميزات أسهل للمضاهاة.
تخيل منتجًا بسعر 49$/شهر.
تنخفض تكاليف البناء، لكن تكاليف كل عميل قد ترتفع—لذا تصبح التسعير، التغليف، والكفاءة حول استخدام الذكاء الاصطناعي مركزية للربحية.
تقوم أدوات الذكاء الاصطناعي بتقليص حلقة الشركة الناشئة المبكرة: اكتشاف العملاء، النمذجة الأولية، والتكرار. يمكنك تحويل ملاحظات المقابلات إلى بيان مشكلة واضح، توليد مخططات من متطلبات بلغة بسيطة، وإطلاق نموذج عملي يعمل في أيام بدلًا من أسابيع.
ينخفض الوقت إلى MVP لأن عمل "الصفحة الفارغة" أرخص: صياغة النص، تدفقات التفعيل، نماذج البيانات، حالات الاختبار، وحتى بناء هياكل الكود الأولية يمكن إنتاجها بسرعة. تلك السرعة ميزة حقيقية عند التحقق إن كان أحدهم يهتم.
لكن نفس التسارع ينطبق على الجميع. عندما يستطيع المنافسون تكرار مجموعات الميزات بسرعة، يتوقف كونك أول من أطلق ميزة عن كونه حاجزًا دائمًا. لا يزال الشحن أولًا مفيدًا، لكن النافذة التي يكون فيها "بنيناها أولًا" مهمة أقصر—أحيانًا تُقاس بأسابيع.
تطبيق عملي: يجب أن تختار أدواتك لتحسين التكرار و/أو القابلية للعكس. إذا كنت تولد تغييرات كبيرة بسرعة (سواء عبر مساعدين للكود أو منصة تحويل محادثة إلى تطبيق مثل Koder.ai)، تصبح إدارة الإصدارات، اللقطات، والاسترجاع أدوات تحكم اقتصادية—وليس مجرد عناية هندسية.
المخاطرة هي خلط المخرجات مع التقدم. يمكن للذكاء الاصطناعي أن يساعدك في بناء الشيء الخطأ بسرعة، مما يخلق إعادة عمل وتكاليف خفية (تذاكر دعم، تصحيحات متهورة، وفقدان المصداقية).
بعض الضوابط العملية للحفاظ على صحة الحلقة:
الشركات التي تفوز بالدورات الأسرع ليست فقط من يطلق بسرعة—بل من تتعلم بسرعة، توثق القرارات، وتبني حلقات تغذية راجعة لا يستطيع المنافسون تقليدها بسهولة كما يقدرون تقليد ميزة.
جعلت منصات بدون كود بالفعل البرمجيات أكثر سهولة. تدفع مساعدين الذكاء الاصطناعي ذلك أبعد بمجرد مساعدة الناس على وصف ما يريدون بلغة بسيطة—ثم توليد النص، نصوص واجهة المستخدم، جداول قواعد البيانات، الأتمتة، وحتى منطق خفيف. النتيجة: المزيد من المؤسسين، المشغلين، والخبراء يمكنهم بناء شيء مفيد قبل توظيف فريق هندسي كامل.
نمط عملي: وصف النتيجة، طلب من الذكاء الاصطناعي اقتراح نموذج بيانات، ثم تنفيذه في أداة بدون كود (Airtable، Notion databases، Glide، Bubble، Zapier/Make). يساعد الذكاء الاصطناعي في صياغة النماذج، قواعد التحقق، سلاسل البريد الإلكتروني، وقوائم التفعيل، ويمكنه توليد "محتوى البداية" حتى لا تبدو النماذج الأولية فارغة.
يتألق في الأدوات الداخلية والتجارب: نماذج الإدخال، توجيه العملاء المحتملين، خطوط أنابيب أبحاث العملاء، قوائم فحص ضمان الجودة، نظم CRM بسيطة، وتكاملات لمرة واحدة. تستفيد هذه المشاريع من السرعة والتكرار أكثر من العمارة المثالية.
تظهر معظم الانهيارات على نطاق واسع: يتحول التحكم في الصلاحيات إلى فوضى، تبطئ الأداء، وتتحول "أتمتة واحدة إضافية" إلى سلسلة تبعيات صعبة التصحيح. يمكن أن تكون الأمن والامتثال غير واضحة (مكان البيانات، وصول البائع، سجلات التدقيق). يعاني القابلية للصيانة عندما يعرف شخص واحد فقط كيفية عمل التدفقات.
احتفظ بدون كود إذا كان المنتج لا يزال يبحث عن الملاءمة، المتطلبات تتغير أسبوعيًا، وسير العمل في الغالب خطي. أعد الكتابة عندما تحتاج إلى تحكم صارم في الوصول، قواعد أعمال معقدة، معدل نقل عالي، أو اقتصاديات وحدة متوقعة مرتبطة بالبنية التحتية بدلًا من رسوم SaaS لكل مهمة.
عامل بناءك كمنتج: اكتب "خريطة نظام" قصيرة (مصادر البيانات، الأتمتة، المالكون)، خزّن مطالبات الذكاء الاصطناعي جنبًا إلى جنب مع التدفقات، وأضف حالات اختبار بسيطة (مدخلات نموذجية + المخرجات المتوقعة) تعيد تشغيلها بعد كل تغيير. يمنع سجل التغييرات الخفيف التراجع الصامت.
خفض الذكاء الاصطناعي تكاليف الانطلاق إلى السوق بشكل كبير. يمكن للمؤسس الوحيد الآن إطلاق حزمة حملة معقولة في ظهر اليوم—نسخ، أفكار إبداعية، أفكار الاستهداف، وتسلسل تواصل—دون توظيف وكالة أو مسوّق بدوام كامل.
استخدامات شائعة تشمل:
هذا يقلل النقود المطلوبة لاختبار الموضع ويقصر الوقت من "بنينا شيئًا" إلى "نستطيع بيعه".
كان التخصيص مكلفًا سابقًا: تجزؤ، بحث يدوي، ورسائل مخصصة. مع الذكاء الاصطناعي، يمكن للفرق توليد متغيرات مخصصة بالأدوار، الصناعة، أو حدث محفز (مثال: تمويل جديد، زيادات التوظيف). إن أنجز بشكل جيد، يمكن أن يحسن ذلك معدلات التحويل بما يكفي لتقليل CAC—حتى لو بقيت أسعار الإعلانات كما هي—لأن نفس الإنفاق يولد محادثات أكثر تأهيلًا.
الجانب الآخر: كل منافس يمكنه فعل الشيء نفسه. عندما يستطيع الجميع إنتاج حملات جيدة بما يكفي، تزداد الضوضاء، وتمتلئ صناديق الوارد، ويتوقف "الجيد بما يكفي" عن البروز.
قد ينعكس استخدام الذكاء الاصطناعي في GTM عندما ينتج عنه:
حاجز عملي: حدد دليل صوت بسيط (النبرة، العبارات الممنوعة، نقاط الإثبات) واعتبر الذكاء الاصطناعي مسودة أولية، لا المنتج النهائي.
تتحول الأفضلية من "من يستطيع إنتاج الأصول" إلى "من يمكنه تشغيل حلقات تعلم أسرع". حافظ على وتيرة ثابتة من اختبارات A/B على العناوين، العروض، ونداءات العمل، وأعد النتائج إلى المطالبات والموجزات. الفائزون هم الفرق التي تربط تجارب GTM بجودة خط المبيعات الحقيقية، لا فقط النقرات.
بالنسبة للتواصل واستخدام البيانات، التزم بالإذن والشفافية: تجنب جمع بيانات شخصية بدون أساس قانوني، احترم إيقاف الاشتراك بسرعة، وكن حذرًا في الادعاءات. إذا راسلت مزايا، اتبع القوانين المطبقة (مثل CAN-SPAM، GDPR/UK GDPR) ووثق مصدر بيانات الاتصال.
حول الذكاء الاصطناعي دعم العملاء والتفعيل إلى واحد من أسرع مكاسب التكلفة للشركات الناشئة. يمكن لفريق صغير الآن التعامل مع أحجام كانت تتطلب سابقًا مكتب مساعدة—غالبًا مع أوقات استجابة أسرع وتغطية أوسع عبر المناطق الزمنية.
يمكن للمساعدات القائمة على المحادثة حل الأسئلة المتكررة (إعادة تعيين كلمة المرور، أساسيات الفوترة، "كيف أفعل...؟") والأهم من ذلك توجيه الباقي.
إعداد جيد لا يحاول "استبدال الدعم". إنه يقلل الحمل عن طريق:
النتيجة: تذاكر أقل لكل عميل ووقت استجابة أولي أقصر—مقاييس تشكل رضا العملاء بقوة.
يتحول التفعيل بشكل متزايد من مكالمات حية وسلاسل بريد طويلة إلى مسارات خدمة ذاتية: أدلة تفاعلية، تلميحات داخل التطبيق، قوائم فحص قصيرة، وقواعد معرفة قابلة للبحث.
يجعل الذكاء الاصطناعي إنتاج هذه الأصول وصيانتها أسهل. يمكنك توليد مسودات أولية للأدلة، إعادة صياغة النص للوضوح، وتخصيص محتوى المساعدة لشريحتين مختلفتين من العملاء (جدد مقابل مستخدمي الطاقة) دون فريق محتوى بدوام كامل.
الجانب السلبي بسيط: الإجابة الخاطئة الواثقة قد تضر أكثر من استجابة بشرية بطيئة. عندما يتبع العملاء تعليمات غير صحيحة—خاصة حول الفوترة، الأمان، أو حذف البيانات—تتآكل الثقة بسرعة.
أفضل الممارسات لتقليل المخاطر:
يمكن للمساعدة الأسرع تقليل الانسحاب، خاصة للعملاء الصغار الذين يفضلون الخدمة الذاتية السريعة. لكن بعض الشرائح ترى في الدعم المعتمد على الذكاء الاصطناعي مؤشرًا على خدمة أقل رعايةً. النهج الفائز غالبًا هجين: الذكاء للاستيعاب، والبشر للتعاطف والحكم والحالات الحدية.
يمكن لأتمتة الذكاء الاصطناعي أن تجعل فريقًا صغيرًا يبدو أكبر—خاصة في أعمال "الخلفية" التي تلتهم أسابيع: كتابة ملاحظات الاجتماعات، توليد تقارير أسبوعية، الحفاظ على قوائم فحص QA، وتجميع ملاحظات العملاء لشيء يمكن اتخاذه عملًا.
ابدأ بالمهام المتكررة والمنخفضة المخاطر حيث يمكن التحقق من الناتج بسهولة. مكاسب شائعة تشمل:
يغيّر هذا نظام تشغيل الفريق الصغير. بدلاً من "فعل العمل" نهاية إلى نهاية، أصبح الناس أكثر تنسيقًا: تحديد المدخلات، تشغيل الأتمتة، مراجعة المسودة، وإطلاقها.
الأتمتة ليست مجانية—إنها تحول الجهد. توفر وقتًا على التنفيذ، لكن تنفق وقتًا على:
إذا تجاهلت هذا العبء، ينتهي بك الأمر إلى "ديون الأتمتة": الكثير من الأدوات تنتج مخرجات لا يثق بها أحد بالكامل.
عامل مخرجات الذكاء الاصطناعي كمسوّدة مبتدئ، لا كإجابات نهائية. نظام خفيف يساعد:
عندما تكون الحلقة ضيقة، تتحول الأتمتة إلى رافعة مركبة بدلًا من ضوضاء.
إذا أردت أمثلة ملموسة عن كيف يمكن أن يبدو عائد الاستثمار في الأتمتة عمليًا، راجع /pricing.
يغير الذكاء الاصطناعي شكل "الفريق المبكر القوي". الأمر أقل عن تجميع متخصصين وأكثر عن تجميع أشخاص يعرفون كيف يستخدمون الذكاء الاصطناعي لمضاعفة مخرجاتهم—بدون تفويض التفكير.
يعني التنفيذ المعزز بالذكاء الاصطناعي أن فريقًا نحيفًا يمكنه تغطية ما كان يتطلب عدة توظيفات: صياغة النص، توليد متغيرات التصميم، كتابة كود أولي، تجميع الأبحاث، وتحليل المقاييس الأساسية. هذا لا يلغي الحاجة للخبرة—إنما يحولها نحو التوجيه، المراجعة، واتخاذ القرار.
نتيجة عملية: يمكن للشركات الناشئة في المراحل المبكرة البقاء صغيرة لفترة أطول، لكن كل توظيف يجب أن يغطي مساحة أكبر عبر العمل.
توقع المزيد من المزج بين المشغل-المحلل-المسوّق: شخص يمكنه إعداد الأتمتات، تفسير سلوك العملاء، كتابة صفحة هبوط، وتنسيق التجارب في نفس الأسبوع. الألقاب تهم أقل من المدى.
الأفضل في هذه الأدوار ليسوا عموميين يلمسون في كل شيء—بل أشخاص لديهم تميز واضح واحد (مثلاً: النمو، المنتج، العمليات) ومهارات مجاورة كافية لاستخدام الأدوات بفعالية.
يمكن للذكاء الاصطناعي أن يصوغ بسرعة، لكنه لا يقرر بثبات ما هو صحيح، ما المهم، أو ما يناسب عميلك. يجب أن تركز شاشات التوظيف على:
بدلًا من "شاهد كيف أفعلها" غير رسمي، تحتاج الفرق إلى أدلة داخلية خفيفة: مكتبات مطالبات، أمثلة للمخرجات الجيدة، قوائم تشغيل للأدوات وقواعد/ما لا يجب فعله للبيانات الحساسة. يقلل هذا التباين ويسرع منحنى التعلم—خصوصًا عندما تعتمد سير العمل على الذكاء الاصطناعي.
نمط فشل شائع هو الاعتماد المفرط على مستخدم واحد قوي للذكاء الاصطناعي. إذا غادر هذا الشخص، تختفي سرعتك. عامل تدفقات العمل بالذكاء الاصطناعي كملكية فكرية أساسية: وثقها، درّب الفريق المتقاطع، واجعل معايير الجودة صريحة حتى يعمل الفريق كله بنفس المستوى.
تغير أدوات الذكاء الاصطناعي ما يعنيه "رأس المال الكافي". عندما يستطيع فريق صغير الشحن أسرع وأتمتة أجزاء من المبيعات، الدعم، والعمليات، يسأل المستثمرون طبيعيًا: إذا كانت التكاليف أقل، لماذا التقدم ليس أعلى؟
ينتقل المعيار من "نحن بحاجة للمال للبناء" إلى "استخدمنا الذكاء الاصطناعي للبناء—أرونا الطلب الآن". لا تزال جولات ما قبل البذرة والبذرة منطقية، لكن السرد يحتاج لشرح ماذا يفكّ القابلية للتمويل: التوزيع، الشراكات، الثقة، سير عمل منظم، أو وصول بيانات فريدة.
هذا يقلل الصبر أيضًا لمراحل طويلة ومكلفة "مبنية على المنتج فقط". إذا كان بالإمكان بناء MVP بسرعة، غالبًا ما يتوقع المستثمرون دلائل مبكرة لسحب: قوائم انتظار تتحول، استخدام يتكرر، وتسعير مستمر.
البناء الأرخص لا يعني تلقائيًا فترة تشغيل أطول. غالبًا ما تزيد الدورات الأسرع من وتيرة التجارب، اختبارات الاستحواذ المدفوعة، واكتشاف العملاء—لذا قد يتحرك الإنفاق من الهندسة إلى الانطلاق إلى السوق.
الفرق التي تخطط لفترة التشغيل جيدًا تعامل معدل الحرق كمحفظة رهانات: تكاليف ثابتة (الناس، الأدوات) بالإضافة إلى تكاليف متغيرة (إعلانات، حوافز، حوسبة، متعهدون). الهدف ليس أدنى حرق ممكن—بل أسرع تعلم لكل دولار.
إذا جعل الذكاء الاصطناعي الميزات أسهل للتكرار، "نحن نقدم X مع الذكاء الاصطناعي" يتوقف عن كونه خندقًا. هذا قد يضغط على التقييمات للشركات التي تعتمد على لعب الميزات، بينما يكافئ الشركات التي تظهر مزايا متراكمة: قفل تدفق العمل، التوزيع، حقوق بيانات ملكية، أو علامة تجارية يثق بها العملاء.
مع الشحن الأسرع، يميل المستثمرون إلى التركيز أقل على السرعة الخام وأكثر على الاقتصاديات:
قصة تمويل أقوى تشرح كيف يخلق الذكاء الاصطناعي ميزة قابلة للتكرار: موجزاتك، مطالباتك، خطوات ضمان الجودة، حلقات مراجعة البشر، تغذية البيانات، وضوابط التكلفة. عندما يُعرض الذكاء الاصطناعي كنظام تشغيل للشركة—لا مجرد ميزة عرض—يسهل تبرير الاحتياجات الرأسمالية والدفاع عن التقييم.
AI tends to reduce time-to-first-version by speeding up drafting, prototyping, basic coding, analysis, and automation. The main economic shift is that you often trade upfront specialist hours for ongoing costs like tool subscriptions, model usage fees, monitoring, and human review.
Practically: budget less for “inventing the process,” and more for operating the process reliably.
Because AI features can add meaningful per-user costs (model calls, retrieval, logging, and QA time). Even if development is cheaper, gross margin can drop if AI usage scales with customer activity.
To protect margins:
Use AI to accelerate outputs, but keep humans responsible for direction and correctness:
If rework climbs, tighten requirements and slow the release cadence temporarily.
No-code + AI works best for internal tools and experiments where speed matters more than perfect architecture (intake forms, lead routing, research pipelines, lightweight CRMs).
Rewrite when you need:
Document workflows and store prompts next to the automation so it’s maintainable.
Because AI makes it cheap for everyone to produce “decent” ads, emails, and content—so channels get crowded and generic messaging blends together.
Ways to stand out:
Start with a hybrid approach:
Add guardrails: allow “I don’t know,” require links to approved docs, and set clear escalation paths to protect trust.
Pick 2–3 repeatable, low-risk workflows that happen weekly and are easy to verify (notes/summaries, weekly reporting, QA checklists).
Then prevent “automation debt” by standardizing:
If you want an ROI-style framing, the post references /pricing as an example of how teams think about automation value.
AI rewards people who can orchestrate and edit, not just generate:
Also, don’t rely on one “AI wizard.” Treat prompts and workflows like core IP: document, cross-train, and keep a small internal playbook.
Investors often expect more traction with less money because MVPs and experiments are cheaper. Capital needs are easier to justify when tied to things tools can’t buy by themselves:
Pitch AI as a repeatable system (prompts, QA loops, monitoring, cost controls), not a demo feature.
Moats move away from features toward:
Defensibility improves when you win a narrow, valuable use case end-to-end and package outcomes, not “AI-powered X.”