معظم المشاريع التجريبية للذكاء الاصطناعي لا تفشل، بل تتعثر. تعمل هذه المشاريع، وتثير الإعجاب في العرض التوضيحي، وتحظى بالثناء، ثم لا تدخل حيز الإنتاج أبدًا. تبقى هذه المشاريع في حالة من الترقب والانتظار، حيث لا يقوم أحد بإلغائها رسميًا - فإلغاؤها يعني الاعتراف بالخطأ - ولا يقوم أحد بنشرها - فنشرها يتطلب حل المشكلات التي تجنبها المشروع التجريبي عمدًا.
لهذا الوضع المعلق تكلفة لا تظهر في أي تقرير: الميزانية المستهلكة، والمصداقية الداخلية المهدرة، وقبل كل شيء، الاستنتاج الخاطئ بأن "الذكاء الاصطناعي لا يعمل في قطاعنا".
تختلف الأرقام اختلافاً كبيراً حسب الجهة التي تقوم بالقياس وكيفية القيام بذلك، لذا من الأفضل النظر إلى مصادر متعددة بدلاً من الاعتماد على عنوان رئيسي.
ال دراسة الرؤساء التنفيذيين لشركة IBM لعام 2025, خلصت الدراسة، التي شملت 2000 رئيس تنفيذي من 33 دولة، إلى أن 251% فقط من مبادرات الذكاء الاصطناعي حققت العائد المتوقع، وأن 161% فقط منها تم تطبيقها على مستوى المؤسسة. وتُعد هذه الدراسة الأكثر دقة من الناحية المنهجية بين المصادر الثلاثة.
إس آند بي جلوبال ماركت إنتليجنس تم نشر تقرير في مارس 2025 يفيد بأن 42% من الشركات قد تخلت عن معظم مبادراتها في مجال الذكاء الاصطناعي، مقارنة بـ 17% في العام السابق، وأن 46% من مشاريع إثبات المفهوم قد تم التخلي عنها في المتوسط قبل الوصول إلى مرحلة الإنتاج.
ثم هناك المعلومة التي انتشرت على نطاق واسع: التقرير مشروع معهد ماساتشوستس للتكنولوجيا ناندا بحسب تقرير عام 2025، لم تحقق حوالي 95.1% من المؤسسات عائدًا ملموسًا من الذكاء الاصطناعي التوليدي. ومن المهم التنويه إلى أن هذا التقرير أولي وغير خاضع لمراجعة الأقران، ويستند إلى 52 مقابلة و153 استبيانًا، وقد وُجهت إليه انتقادات منهجية جدية فيما يتعلق بنطاق القياس وحجم العينة. ويتفق الاتجاه العام مع مصادر أخرى، إلا أن الحجم الدقيق للعائد لا يزال غير محدد.
ليس المهم أي من الأرقام الثلاثة صحيح، بل المهم أن تشير جميعها إلى نقطة الانهيار نفسها: فهي ليست في بناء الحلقة التجريبية، بل في الرحلة بين الحلقة التجريبية والإنتاج.
سبب | ما الذي تجنبه الطيار؟ | ما الذي يتطلبه الإنتاج؟ |
بيانات | مجموعة نظيفة ومنتقاة | بيانات حقيقية، غير كاملة ومتناقضة |
التصاريح | مستخدم لديه صلاحيات كاملة | أدوار مختلفة، رؤية محدودة، إمكانية التتبع |
الاستثناءات | الطريق السعيد | 15-30% من الحالات النادرة التي لم يتم تصميمها |
اندماج | انسخ والصق بين الشاشات | تكامل أنظمة تخطيط موارد المؤسسات (ERP) وإدارة علاقات العملاء (CRM) والهوية |
ملكية | فريق الابتكار | مدير أعمال وفريق دعم |
يكلف | حجم الاختبار | تكلفة الوحدة على نطاق حقيقي، مع فترات ذروة |
البيانات. يعمل النموذج التجريبي على مستخلص مُعدّ مسبقًا. أما في بيئة الإنتاج، فتصل البيانات غير مكتملة، ومكررة، وغير متناسقة بين الأنظمة. لا يظهر على النموذج أي خلل واضح: فهو يختار إحدى النسخ المتناقضة دون سابق إنذار.
التصاريح. أثناء الاختبار، يرى النظام كل شيء. أما في بيئة الإنتاج، فلا يستطيع مندوب المبيعات رؤية هوامش الربح، ولا يستطيع الفني رؤية بيانات الحالة، ولا يستطيع المستشار الخارجي رؤية أي شيء ليس من اختصاصه. إذا لم يكن نموذج الصلاحيات جزءًا من التصميم، فلن يكون الأمر مجرد تعديل، بل تغيير جذري.
الاستثناءات. يُظهر الطيار المسار الناجح لأنه ما يمكن إثباته في غضون عشرين دقيقة. أما العملية الحقيقية، فإلى حد كبير، هي إدارة ما لا يتناسب مع هذا المسار. هذه النسبة - التي تتراوح بين 15% و30% من حجم معظم العمليات التي حللناها - هي حيث ينهار التشغيل الآلي، وحيث يجب اتخاذ قرارات بشأن ما يمكن توسيعه ليشمل العنصر البشري وكيفية القيام بذلك.
اندماج. قد يسمح العرض التوضيحي للمستخدم بنسخ المعلومات بين النوافذ. أما نظام الإنتاج، فيجب أن يقرأ سياق التشغيل وينفذ الإجراءات ضمن الأنظمة القائمة، مع مراعاة الأذونات وترك سجل.
العقار. عادةً ما يولد الطيارون في بيئةٍ تُعنى بالابتكار أو التكنولوجيا. يتطلب الإنتاج وجود صاحب عمل: شخصٌ يعتمد هدفه السنوي على سير العملية بسلاسة أكبر. وبدون هذا المالك، لا يوجد من يدافع عن ميزانية المرحلة التالية أو يقرر الاستثناءات.
تكلفة الوحدة. في المرحلة التجريبية، لا تُعتبر التكلفة ذات أهمية لأن حجم العمل صغير. أما عند التوسع الكامل، ومع ذروة الطلب وإعادة المحاولات، فقد تجعل تكلفة الحالة الواحدة مشروعًا كان رائعًا في المرحلة التجريبية غير قابل للتنفيذ. لذا، ينبغي إجراء هذه الحسابات مسبقًا، وليس لاحقًا.
لقد قمنا بتطوير الرحلة الكاملة بين المرحلتين في من إثبات المفهوم للذكاء الاصطناعي إلى الإنتاج
الحل ليس في توسيع نطاق المشاريع التجريبية، بل في تنفيذها مع مراعاة قيود الإنتاج منذ اليوم الأول، وإن كان ذلك على نطاق أصغر.
حدد مقياس العمل قبل أن تبدأ. ليس المقصود "عدد الاستفسارات" أو "المستخدمين النشطين": بل زمن الدورة، ومعدل الخطأ، وتكلفة الحالة، ومعدل التحويل، أو هامش الربح. وهو يحدد العتبة التي تُقرر ما إذا كان ينبغي الاستمرار أم التوقف. إن برنامجًا تجريبيًا بدون معيار للتوقف ليس تجربة، بل هو حل وسط مُقنّع.
استخدم بيانات حقيقية منذ البداية، حتى لو كانت قليلة. الطيار الذي لديه مائة حالة حقيقية يعلم أكثر من الطيار الذي لديه عشرة آلاف حالة نظيفة، لأن المائة حالة الحقيقية تتضمن المشاكل التي ستواجهها.
يتضمن ذلك استثناءً فعلياً في النطاق. اختر الحالة النادرة الأكثر تكرارًا وقم بحلها خلال المرحلة التجريبية. إذا لم يستطع التصميم التعامل مع استثناء واحد، فلن يستطيع التعامل مع ثلاثين استثناءً.
قم بتعيين صاحب العمل قبل الفريق التقني. وأن يكون هذا الشخص مسؤولاً عن نتيجة العملية، وليس عن التكنولوجيا.
احسب تكلفة الوحدة بالحجم الفعلي. ابدأ بالاستقراء من اليوم الأول. إذا لم ينجح الرقم على نطاق أوسع، فمن الأفضل معرفة ذلك بحلول الأسبوع الثاني.
ضع عليه تاريخ انتهاء الصلاحية. أربعة أسابيع كافية لتحديد مدى نجاح أي مشروع، لكنها قصيرة جدًا لكي يتحول إلى مشروع فاشل. لهذا السبب تحديدًا، نعتمد هذا الشكل في إثبات جدوى المشروع: نموذج أولي متكامل الوظائف خلال شهر واحد، مزود بضوابط صارمة، وإمكانية تتبع، وإشراف بشري. ليس لأنه جذاب تجاريًا، بل لأن ضيق الوقت يجبرنا على حصر نطاق المشروع في شيء يمكن التحقق من صحته فعليًا.
إذا كان البرنامج التجريبي موجودًا بالفعل ولا يحرز تقدمًا، فهناك ثلاثة حلول صادقة، ولا يتضمن أي منها الانتظار.
قم بالتشخيص واتخاذ القرار. تحليل النموذج والبيانات والتكامل والتكلفة يجيب على ثلاثة أسئلة: ما الذي يمكن إنقاذه، وما الذي يحتاج إلى إعادة كتابة، وما الذي يجب إيقافه. هذا هو هدف تدقيق مشروع الذكاء الاصطناعي , وعادة ما يتم حلها في غضون أسابيع.
قلل النطاق إلى شيء يمكن نشره فعلياً. في كثير من الأحيان، يُحقق نطاق المشروع الأصلي البالغ 20% قيمةً تُعادل 80%، ويمكن نشره في غضون شهر. إن مقاومة القيام بذلك سياسية وليست تقنية: إذ يبدو أن تقليص النطاق يُعدّ اعترافًا ضمنيًا بالفشل.
أوقف ذلك ووثّق السبب. إنه الخيار الأقل تقديراً. الطيار الذي توقف عن العمل ولديه سجل واضح لما تعلمه يُعدّ إضافة قيّمة. أما الطيار الذي لا يملك رخصة طيران فهو عبء يستنزف الاهتمام كل ثلاثة أشهر.
عند تحليل حالات فشل مشاريع البرمجيات التجريبية، لم يكن السبب الرئيسي لفشل أي منها هو النموذج نفسه. بل كان السبب هو البيانات، أو الصلاحيات، أو الاستثناءات، أو التكامل، أو غياب جهة مسؤولة. بعبارة أخرى، فشلت هذه المشاريع للأسباب نفسها التي أدت إلى فشل مشاريع البرمجيات على مدى الثلاثين عامًا الماضية.
هذا في جوهره خبر سار. يعني ذلك أن المشكلة ليست لغزاً تقنياً، بل هي بالأحرى مسألة هندسية وإدارية للمشروع. ونحن نعرف كيف نحل هذه المسائل.
السؤال الذي يجب طرحه في اجتماع اللجنة القادم ليس ما إذا كان الذكاء الاصطناعي فعالاً، بل ما الذي يجب إصلاحه في بياناتنا، وصلاحياتنا، وتكاملنا، حتى تتمكن أي عملية أتمتة، سواءً باستخدام الذكاء الاصطناعي أو بدونه، من الوصول إلى مرحلة الإنتاج.
وذلك لستة أسباب متكررة: بيانات حقيقية غير مكتملة ومتناقضة، ونموذج تصريح لم يأخذه المشروع التجريبي في الاعتبار، واستثناءات لم يتم تصميمها، وعدم التكامل مع الأنظمة الحالية، وغياب مدير أعمال، وتكلفة وحدة غير مستدامة على نطاق حقيقي.
بحسب دراسة أجرتها شركة IBM عام 2025 حول الرؤساء التنفيذيين، لم تحقق سوى 251% من مبادرات الذكاء الاصطناعي العائد المتوقع، ولم يتم توسيع نطاق سوى 161% منها. وقدّرت مؤسسة S&P Global في مارس 2025 أن 421% من الشركات تخلّت عن معظم مبادراتها في مجال الذكاء الاصطناعي. وتختلف هذه الأرقام اختلافًا كبيرًا تبعًا لمنهجية الدراسة.
حوالي أربعة أسابيع. هذه مدة كافية للتحقق من جدوى الحالة باستخدام بيانات حقيقية، لكنها قصيرة جدًا لتحويل المشروع التجريبي إلى مشروع مفتوح بلا نهاية. يُجبرنا الإطار الزمني القصير على حصر نطاق المشروع في شيء قابل للتحقق.
تُحدد مؤشرات الأداء الرئيسية قبل البدء: مدة الدورة، ومعدل الخطأ، وتكلفة الحالة، ومعدل التحويل، أو هامش الربح، مع وجود عتبة محددة تُحدد استمرار المشروع أو توقفه. ولا يُعد عدد الاستفسارات أو المستخدمين النشطين دليلاً على تأثير المشروع على الأعمال.
هناك ثلاثة حلول: تشخيص المشكلة من خلال تدقيق شامل يحدد ما يمكن إنقاذه، وما يجب إعادة كتابته، وما يجب إيقافه؛ أو تقليص نطاق المشروع إلى الجزء الذي يمكن تنفيذه خلال أسابيع؛ أو إيقاف المشروع مع توثيق الدروس المستفادة. إن ترك المشروع معلقًا هو الخيار الوحيد الذي يُكبّد تكاليف إضافية.
يستند هذا الرقم إلى تقرير أولي صادر عن مشروع ناندا التابع لمعهد ماساتشوستس للتكنولوجيا عام 2025، وهو تقرير غير خاضع لمراجعة الأقران ويعتمد على عينة صغيرة، وقد وُجهت إليه انتقادات منهجية. وتشير مصادر أخرى أكثر موثوقية، مثل شركة آي بي إم، إلى الاتجاه نفسه بدرجات متفاوتة: فمشكلة قابلية التوسع حقيقية، لكن الرقم الدقيق لم يُحدد بعد.
هل ظل طيار الذكاء الاصطناعي الخاص بك عاطلاً عن العمل لشهور؟ نقوم بتحليل نموذجك وبياناتك وتكاملك وتكلفتك، ونخبرك بما يجب الاحتفاظ به، وما يجب إعادة كتابته، وما يجب إيقافه. إذا كانت الحالة قابلة للتطبيق، فسنطور نموذجًا عمليًا لإثبات المفهوم (PoC) في غضون أربعة أسابيع، مع ضمانات كاملة وإمكانية التتبع. دعنا نتحدث عن قضيتك → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
